[發明專利]一種基于PSO-BP模型和地震屬性參數的煤層含氣量預測方法

有效

• 申請號: 201911356942.2
• 申請日: 2019-12-25
• 公開（公告）號: CN111045080B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 張文永;張平松;孫貴;丁海;吳海波;臧子婧
• 申請（專利權）人: 安徽省煤田地質局勘查研究院;安徽理工大學
• 主分類號: G01V1/30
• 分類號: G01V1/30;G01V1/36;G06Q10/04;G06Q50/02;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 楊敬

1.一種基于PSO-BP模型和地震屬性參數的煤層含氣量預測方法，其特征在于，包括以下步驟：

S1：疊前地震屬性提取

通過對疊前三維地震數據進行超道集計算和角道集抽取處理，基于P-P波反射系數近似公式①進行地震AVO屬性計算，計算得到截距屬性P、梯度屬性G、流體因子屬性P*G、擬泊松屬性P+G、橫波反射系數P-G多個疊前地震屬性；

R_P(θ)≈P+Gsin²θ ①

S2：疊后地震屬性提取

依據疊后三維地震數據體，提取振幅、頻率、衰減、幾何類多個類型的地震屬性，具體包括：聲阻抗、最大曲率、傾角屬性、甜點屬性、薄層屬性、瞬時加速度、瞬時振幅、瞬時頻率以及瞬時Q值；

S3：地震屬性的相關系數計算與初選

將井位置的疊前和疊后地震屬性參數與煤層氣含氣量數據進行歸一化處理，按照公式②計算各地震屬性參數與煤層氣含氣量的相關系數，優選出相關系數較大的地震屬性，構成初選的地震屬性參數集；

其中：x_i歸一化后各個屬性；y為歸一化后的煤層氣含氣量數據；

S4：地震屬性的聚類分析與優選

利用Q型聚類分析法，對初選出地震屬性參數集進行分類優選，優選出相關系數高且相互獨立的地震屬性，具體工藝為：以歸一化后的幾種地震屬性參數集作為行向量組成矩陣r_ij，按照公式③計算出矩陣行向量之間距離系數并進行分類合并，生成聚類分析圖，分別從每一類別中選取出與所求地質目標相關性最好的一種，組成作為預測模型輸入的地震屬性集；

其中：矢量X_i＝(x_i1，x_i2，...x_im)和矢量X_j＝(x_j1，x_j2，...x_jm)是矩陣r_ij的行向量；i，j＝1，2，3，…n；

S5：PSO-BP預測模型的構建

將BP神經網絡的全部連接權值設為粒子群粒子的位置向量，并對其進行初始化，以均方誤差最小作為尋優目標進行尋優，最終，將計算得到的全局最優解作為BP神經網絡的權值和閾值，帶入到神經網絡中進行訓練學習，從而完成預測構建PSO-BP預測模型，利用粒子群算法改進BP神經網絡預測的流程；

S6：PSO-BP預測模型的訓練與煤層氣含氣量預測

以井位置的優選地震屬性參數集作為輸入，以煤層氣含氣量數據作為輸出訓練PSO-BP模型；基于訓練好的PSO-BP模型，以整個研究區域內目標煤層的優選地震屬性參數集作為輸入，預測研究區域內目標煤層氣含氣量。

2.根據權利要求1所述的一種基于PSO-BP模型和地震屬性參數的煤層含氣量預測方法，其特征在于，所述S5具體的工藝流程分為如下幾步：

1)設置BP神經網絡的基本結構、參數，包括InDim、OutDim、HiddenNum，輸入學習樣本，進行歸一化處理；

2)粒子群參數設置：種群數目、慣性權重、最大速度、速度向量維數、設置最大迭代次數T_max，同時，初始化粒子的速度矢量和位置矢量，每個粒子由兩個部分組成，分別是速度矩陣和位置矩陣；

3)按公式④確定適度函數，對個體進行評價分為兩個步驟：首先，把最小適應度函數值設置為粒子的極值個體，然后，把粒子中最小的極值個體設置為全局極值，即所求問題的最優解；

4)以粒子的當前最佳位置為迭代點，進行迭代；

5)按照公式⑤、⑥更新粒子的和產生新的粒子群；

6)排除和越界的粒子，并跟新和即：或時，

7)當迭代次數達到T_max或誤差滿足精度要求時，停止迭代，否則轉入步驟(5)；

8)迭代停止后，當前的pbest值和gbest值為全局最優解，即BP神經網絡的權值和閾值，帶入BP神經網絡中進行訓練學習。