一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法技术

本发明专利技术公开一种基于PSO‑BP模型和地震属性参数的煤层含气量预测方法，具体工艺流程是从叠前地震属性与叠后地震属性提取，到地震属性的相关系数计算与初选，到地震属性的聚类分析与优选，到PSO‑BP预测模型的构建，最后通过井数据训练的PSO‑BP预测模型预测煤层含气量。本发明专利技术区别于单一地震属性预测的技术工艺，力求从多角度挖掘了煤层含气量的地震属性响应信息；同时由于煤层的含气量受多种地质条件和地质因素的影响与控制，PSO‑BP预测模型相较于传统的线性预测模型，能够有效地表征这种非线性映射关系，技术工艺更为先进，预测精度和可靠性能够保证，且预测速度大大提高。所以，本发明专利技术相对于传统的煤层气含气量预测工艺在信息挖掘、技术流程和预测精度上更具优势。

【技术实现步骤摘要】
一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法
本专利技术涉及一种煤层气地震勘探与储层评价领域，具体是一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法。
技术介绍
煤层含气量或煤层气(瓦斯)富集区预测方法多基于单一的叠前地震属性或叠后地震属性，地震属性参数类型缺乏多样性，且在预测过程中上诉方法多使用线性的预测模型，预测精度和效果难以保证，工艺流程的普适性受限；在实际情况下，煤层的含气量受到多种地质条件和地质因素的影响与控制，与地震属性参数间存在着极为复杂的、模糊的非线性映射关系，利用传统的单一地震属性和线性模型的技术工艺，已很难满足煤层气精准勘探与开发的需求，针对这种情况，现提出一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法。
技术实现思路
本专利技术的目的在于提供一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法，区别于单一地震属性预测的技术工艺，力求从多角度挖掘了煤层含气量的地震响应信息；同时由于煤层的含气量受到多种地质条件和地质因素的影响与控制，本专利技术采用的PSO-BP预测模型相较于传统的线性预测模型，能够有效地表征这种非线性映射关系，技术工艺更为先进，预测精度和可靠性能够保证。所以，本专利技术相对于传统的煤层气含气量预测工艺在信息挖掘、技术流程和预测精度上更具优势本专利技术的目的可以通过以下技术方案实现：本专利技术的有益效果：1、本专利技术同时运用了叠前地震属性和叠后地震属性，从多角度挖掘三维地震属性信息，与传统技术工艺相比运用的地震属性信息量更加丰富，预测的样本更为多样化，样本的优选更具系统化；2、本专利技术利用粒子群寻优算法(PSO)对BP神经网络算法的输入层与隐含层的连接权值和隐含层的阈值进行优化，与传统工艺相比，大大提高了预测模型的预测精度以及训练速度；3、本专利技术方法区别于单一地震属性预测的技术工艺，力求从多角度挖掘了煤层含气量的地震响应信息，以提高预测精度，由于煤层的含气量受到多种地质条件和地质因素的影响与控制，本专利技术采用的PSO-BP预测模型相较于传统的线性预测模型，能够有效地表征这种非线性映射关系，技术工艺更为先进，预测精度和可靠性能够保证，且预测速度大大提高；4、本专利技术相对于传统的煤层气含气量预测在工艺流程和预测精度上更具优势。附图说明下面结合附图对本专利技术作进一步的说明。图1是本专利技术基于PSO-BP模型和地震属性参数的煤层含气量预测方法流程图；图2是本专利技术粒子群改进神经网络流程图；图3是本专利技术研究区基本情况示意图；图4是本专利技术典型的叠前和叠后地震剖面示意图；图5是本专利技术属性的聚类分析图；图6是本专利技术P*G强度属性示意图；图7是本专利技术拟泊松比属性示意图；图8是本专利技术薄层属性示意图；图9是本专利技术瞬时Q值示意图；图10是本专利技术预测结果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。在本专利技术的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本专利技术的限制。一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法，如图1所示，包括以下步骤：S1：叠前地震属性提取通过对叠前三维地震数据进行超道集计算和角道集抽取处理，基于P-P波反射系数近似公式①进行地震AVO属性计算，计算得到截距属性P、梯度属性G、流体因子属性P*G、拟泊松属性P+G、横波反射系数P-G等多个叠前地震属性。RP(θ)≈P+Gsin2θ①S2:叠后地震属性提取依据叠后三维地震数据体，提取振幅、频率、衰减、几何类等多个类型的地震属性，具体包括：声阻抗、最大曲率、倾角属性、甜点属性、薄层属性、瞬时加速度、瞬时振幅、瞬时频率以及瞬时Q值等。S3:地震属性的相关系数计算与初选将井位置的叠前和叠后地震属性参数与煤层气含气量数据进行归一化处理，按照公式②计算各地震属性参数与煤层气含气量的相关系数，优选出相关系数较大的地震属性，构成初选的地震属性参数集。其中：xi归一化后各个属性；y为归一化后的煤层气含气量数据。S4:地震属性的聚类分析与优选利用Q型聚类分析法，对初选出地震属性参数集进行分类优选，优选出相关系数高且相互独立的地震属性，具体工艺为：以归一化后的几种地震属性参数集作为行向量组成矩阵rij，按照公式③计算出矩阵行向量之间距离系数并进行分类合并，生成聚类分析图，分别从每一类别中选取出与所求地质目标相关性最好的一种，组成作为预测模型输入的地震属性集。其中：矢量Xi＝(xi1，xi2，...xim)和矢量Xj＝(xj1，xj2，...xjm)是矩阵riJ的行向量；i，j＝1，2，3，…n。S5:PSO-BP预测模型的构建将BP神经网络的全部连接权值设为粒子群粒子的位置向量，并对其进行初始化，以均方误差最小作为寻优目标进行寻优，最终，将计算得到的全局最优解作为BP神经网络的权值和阈值，带入到神经网络中进行训练学习，从而完成预测构建PSO-BP预测模型，利用粒子群算法改进BP神经网络预测的流程，如图2所示，具体的工艺流程分为如下几步：1)设置BP神经网络的基本结构、参数，如InDim、OutDim、HiddenNum等。输入学习样本，进行归一化处理；2)粒子群参数设置：种群数目、惯性权重、最大速度、速度向量维数、设置最大迭代次数Tmax，同时，初始化粒子的速度矢量和位置矢量，每个粒子由两个部分组成，分别是速度矩阵和位置矩阵；3)按公式④确定适度函数，Ji对个体进行评价分为两个步骤：首先，把最小适应度函数值设置为粒子的极值个体，然后，把粒子中最小的极值个体设置为全局极值，即所求问题的最优解；4)以粒子的当前最佳位置为迭代点，进行迭代；5)按照公式⑤、⑥更新粒子的和产生新的粒子群；6)排除和越界的粒子，并跟新和即：或时，7)当迭代次数达到Tmax或误差满足精度要求时，停止迭代，否则转入步骤(5)；8)迭代停止后，当前的pbest值和gbest值为全局最优解，即BP神经网络的权值和阈值，可带入BP神经网络中进行训练学习。S6:PSO-BP预测模型的训练与煤层气富集区预测以井位置的优选地震属性参数集作为输入，以煤层气含气量数据作为输出训练PSO-BP模型。基于训练好的PSO-BP模型，以整个工区的优选地震属性参数集作为本文档来自技高网...

【技术保护点】
1.一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法，其特征在于，包括以下步骤：/nS1：叠前地震属性提取/n通过对叠前三维地震数据进行超道集计算和角道集抽取处理，基于P-P波反射系数近似公式①进行地震AVO属性计算，计算得到截距属性P、梯度属性G、流体因子属性P*G、拟泊松属性P+G、横波反射系数P-G多个叠前地震属性；/nR

【技术特征摘要】
1.一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法，其特征在于，包括以下步骤：
S1：叠前地震属性提取
通过对叠前三维地震数据进行超道集计算和角道集抽取处理，基于P-P波反射系数近似公式①进行地震AVO属性计算，计算得到截距属性P、梯度属性G、流体因子属性P*G、拟泊松属性P+G、横波反射系数P-G多个叠前地震属性；
RP(θ)≈P+Gsin2θ①
S2:叠后地震属性提取
依据叠后三维地震数据体，提取振幅、频率、衰减、几何类多个类型的地震属性，具体包括：声阻抗、最大曲率、倾角属性、甜点属性、薄层属性、瞬时加速度、瞬时振幅、瞬时频率以及瞬时Q值；
S3:地震属性的相关系数计算与初选
将井位置的叠前和叠后地震属性参数与煤层气含气量数据进行归一化处理，按照公式②计算各地震属性参数与煤层气含气量的相关系数，优选出相关系数较大的地震属性，构成初选的地震属性参数集；



其中：xi归一化后各个属性；y为归一化后的煤层气含气量数据；
S4:地震属性的聚类分析与优选
利用Q型聚类分析法，对初选出地震属性参数集进行分类优选，优选出相关系数高且相互独立的地震属性，具体工艺为：以归一化后的几种地震属性参数集作为行向量组成矩阵rij，按照公式③计算出矩阵行向量之间距离系数并进行分类合并，生成聚类分析图，分别从每一类别中选取出与所求地质目标相关性最好的一种，组成作为预测模型输入的地震属性集；



其中：矢量Xi＝(xi1，xi2，...xim)和矢量Xj＝(xj1，xj2，...xjm)是矩阵rij的行向量；i，j＝1，2，3，…n；
S5:PSO-BP预测模型的构建
将BP神经网络的全部连接权值设为粒子群粒子的位置向量，并对其进行初...

【专利技术属性】
技术研发人员：张文永，张平松，孙贵，丁海，吴海波，臧子婧，
申请(专利权)人：安徽省煤田地质局勘查研究院，安徽理工大学，
类型：发明
国别省市：安徽;34