基于遺傳神經網絡的煤層氣含量預測

胡錦宏

（西安石油大學 地球科學與工程學院，陜西 西安710065）

1 引言

煤層氣含量反映了煤層的含氣性，它是決定煤層氣開發效果的重要參數，準確確定煤層氣含量是煤層氣勘探開發研究的一個關鍵問題。然而煤層氣含量受多種地質因素共同作用的影響［1～5］，且不同地區的主控因素可能不同，這些都增加了煤層氣含量預測的復雜性。煤層氣含量預測法有鉆孔巖心實測含氣量法、煤層含氣梯度法、等溫吸附曲線法、測井資料預測法和現代數學法等［6～9］。測井方法因其具有較高縱向分辨率和費用低廉的特點，因此在煤層氣資源的勘探開發過程中發揮了重要作用。利用測井信息預測煤層氣含量的常規方法主要是基于密度測井資料和取心實測含氣量作線性回歸來預測煤層含氣量［10］。隨著開采深度的加深，地質條件的復雜，影響煤層氣含量的因素越來越多，并且存在著復雜的非線性關系，傳統的線性回歸預測方法已不能反映它們之間的內在關系。因此，基于測井信息的非線性現代數學方法得到了越來越多的青睞。

神經網絡具有很強的自適應、自組織和自學習的能力，且具有大規模并行運算的能力［11］。BP網絡是當前應用最為廣泛的一種人工神經網絡。因其基于梯度最大下降的搜索方法，當對于較大的搜索空間時，很易陷入誤差函數局部極小值點，從而影響預測精度［12］。而遺傳算法是一種全局優化搜索算法，具有很強的全局搜索能力，可以有效克服BP神經網絡上述缺陷。神經網絡用來學習，遺傳算法用來優化，利用遺傳算法優化神經網絡的連接權值及閾值，提高網絡訓練精度，建立基于GA－BP神經網絡的煤層氣含量測井評價的智能模型。

2 遺傳神經網絡

BP神經網絡是即誤差反向傳播的多層前向神經網絡，它實際上是個非線性優化問題，但極易陷入局部極小點問題，同時網絡學習算法收斂速度較慢，這與初始權值的選擇有關［13］。而遺傳算法是模仿生物界中的“物競天擇、適者生存”演化的一種進化算法，它具有全局尋優能力和初值無關性，具有較快的收斂速度，可防止陷入局部極小點的優點，能幫助BP算法在依梯度下降方法搜索空間時，經過有限次的搜索后快速找到全局最優點。采用遺傳算法優化網絡初始權重，實際上是將整個網絡訓練分成了2部分［14］：首先采用遺傳算法優化網絡的初始權重，然后利用BP算法最終完成網絡訓練。本文為了使算法能很快地找到滿意解，先用遺傳算法對神經網絡的初始權值進行優化，BP神經網絡能準確映射出煤層氣含量與各影響因素之間的非線性關系，進而預測煤層氣含量。

具體煤層氣含量預測流程如圖1所示。

圖1 GA－BP煤層氣含量預測模型流程圖（引自文獻［15.16］）

3 基于遺傳神經網絡的煤層含氣量預測實例分析

3.1 基于Matlab輸入向量的確定

根據該研究區的地質條件構造條件，確定了煤層氣含量主控影響因素，并將煤層影響因素定量化，其中主控影響因素有：煤層埋深、煤層頂板巖性、煤層底板巖性、煤層厚度和煤的變質程度。其中，煤層埋深的取值為各鉆孔煤層頂板距基巖面的距離，單位為m，煤的變質程度用煤的揮發份來表示，單位為%，根據含砂率和砂質顆粒粒度的大小將煤層的頂底板巖性做定量化，將含砂率最高的中砂巖記為0，含砂率最低的泥巖記為4，粉砂巖、砂質泥巖、炭質泥巖分別記為1、2、3。根據鉆井取心資料，選取其中30個鉆井數據作為原始訓練樣本集。

3.2 基于Matlab的訓練樣本歸一化

由于各種測井數據量綱不一致，存在奇異數據，避免神經元出現飽和，使各輸入分量有同等重要地位，進入神經網絡之前都需先進行歸一化處理，使其數值在一定范圍之內，如［－1，1］之間。歸一化的目的一是為了將不同參量去量綱化和縮小數值差別，二是為了使網絡快速收斂［17］。

在本次煤層氣含氣量預測中，歸一化函數采用matlab自帶的最大最小型函數（premnmx、postmnmx、tramnmx），最終執行的結果是將輸入向量和目標向量的值量化到范圍［－1，1］內［18］。網絡輸入向量和目標向量的歸一化函數指令格式為：［pn，minp，maxp，tn，mint，maxt］＝premnmx（p，t）。其中，p：網絡輸入向量；t：目標輸出向量；pn：量化后的輸入向量；minp：輸入向量的最小值；maxp：輸入向量的最大值；tn：量化后的目標向量；mint：目標向量的最小值；maxt：目標向量的最大值。將量化后的樣本來訓練網絡得到的網絡輸出也會落在［－1，1］內，可以使用函數postmnmx將輸出還原成最初目標使用的單位，同樣有新的樣本需要量化可以使用tramnmx，指令格式為：kn＝tramnmx（k，minp，maxp）。基于 Matlab歸一化后的樣本數據，如表1所示。

表1 遺傳－神經算法歸一化后樣本數據

3.3 基于Matlab的程序實現

3.3.1 確定遺傳神經網絡的結構

遺傳神經和BP神經網絡類似，它在設計前首先確定網絡的結構，一般從網絡的層數、每層中的神經元個數和激活函數以及學習訓練速度等。本次依據研究區實際情況，為了提高運算精度和簡化模型，網絡結構確定為1個隱含層的3層網絡模型。

3.3.2 確定遺傳神經網絡的各個層的節點數

輸入層接受外部的輸入數據，同時可對數據進行適當的歸一化處理，其節點數取決于輸入向量的維數。對于本網絡，影響研究區煤層氣含氣量的因素為5個，因此，本網絡的輸入層節點數為5。

輸出層的節點數由輸出數據的類型和表示該類型所需的數據大小來決定［19］。本網絡輸出只有煤層氣含氣量，因此本網絡的輸出層節點數為1。

隱含層的節點數確定較為復雜，隱含層節點數太少，網絡則不能訓練出來，容錯性差；隱含層節點數太多則會導致學習訓練時間過長，網絡收斂速度慢。它的確定和輸入層、輸出層都有一定的關系。本網絡通過多次調試，發現隱含層節點數為15，此時精度滿足要求。

3.3.3 訓練遺傳神經網絡

使用軟件Matlab中的神經網絡工具箱newff函數創建BP訓練網絡，其中第一層采用S正切形神經元，即函數tansig；第二層采用線性神經元，即函數purelin，BP網絡訓練函數采用trainlm，訓練的網絡模型參數設定為：學習率為0.05，最大訓練次數為2000，訓練精度為0.0001。

3.3.4 遺傳神經網絡的遺傳操作

BP網絡訓練函數采用遺傳算法優化網絡的連接權值，設定初始種群規模為30，交叉概率Pc為0.3，變異概率Pm為0.05，網絡總誤差為0.0001，將獲得其最優個體，并將最優個體解碼作為BP網絡的初始權值和閾值，在此基礎上進行網絡學習訓練。使用遺傳算法的gaot工具箱，其中適應度函數為gabpEval，編解碼子函數為gadecod。

訓練結束后，另外選取10個鉆孔取心數據作為測試樣本，預測煤層氣含量，并與采用相同樣本集，使用標準BP神經網絡預測的結果進行了對比分析，如表2所示。

表2 測試樣本誤差分析

通過以上計算結果對比可知，遺傳神經網絡煤層氣含量預測值的平均相對誤差為1.349%，標準BP神經網絡預測值的平均相對誤差為3.51%。這說明GABP神經網絡的輸出結果更精確、誤差更小。

4 結論

基于遺傳算法和BP神經網絡構建新型智能算法，有效解決了BP神經網絡初始權值和閾值的隨機性，同時充分利用了GA的全局搜索能力和BP網絡的局部搜索能力，從而增強了網絡的智能搜索能力。將其引用到煤層氣含氣量的預測中，實驗表明，組合的新型智能算法有較好的預測能力，同時在標準BP神經網絡的基礎上提高了預測精度，具有較好的實用性。

［1］曹軍濤，趙軍龍，王扶平，等.煤層氣含量影響因素及預測方法［J］.西安石油大學學報：自然科學版，2013，28（4）：28～30.

［2］肖富強，桑樹勛，黃華州.鐵法礦區大興井田煤儲層含氣量影響因素分析［J］.中國煤層氣，2013，10（3）：27～29.

［3］沈麗惠，齊俊啟，趙志義，等.煤層氣生成及含氣量控制因素［J］.河北工程大學學報：自然科學版，2010，27（1）：82～84.

［4］連承波，趙永軍，渠 芳，等.影響煤層含氣量地質因素的定量分析［J］.特種油氣藏，2008，15（3）：33～35.

［5］汪學清.保田－青山區塊目的煤層含氣量及其控制因素［J］.中國煤層氣，2014，11（3）：8～9.

［6］楊克兵，左銀卿，甘 健，等.測井資料在煤層氣儲層評價中的應用研究［J］.中國煤層氣，2011，8（2）：17～19.

［7］楊玉平，趙永軍，霍凱中.沁水盆地煤層含氣量預測方法探討［J］.內蒙古石油化工，2008（2）：44～45.

［8］高緒晨，張 炳，羨 法.煤層工業分析、吸附等溫線和含氣量的測井解釋［J］.測井技術，1999（2）：109～111.

［9］劉之的，趙靖舟，楊秀春，等.基于灰色關聯分析和BP神經網絡的煤層含氣量預測研究［J］.西安石油大學學報：自然科學版，2014，29（3）：58～61.

［10］孟召平，郭彥省，張紀星.基于測井參數的煤層含氣量預測模型與應用［J］.煤炭科學技術，2014，42（6）：25～28.

［11］潘 昊，王曉勇，陳 瓊，等.基于遺傳算法的BP神經網絡技術的應用［J］.計算機應用，2005，25（12）：2277～2278.

［12］李偉超，宋大猛，陳 斌.基于遺傳算法的人工神經網絡［J］.計算機工程與設計，2006，27（2）：315～317.

［13］吳財芳，曾 勇.基于遺傳神經網絡的瓦斯含量預測研究［J］.地學前緣，2003，10（1）：220～221.

［14］范存輝，梁則亮，秦啟榮.基于測井參數的遺傳BP神經網絡識別火山巖巖性——以準噶爾盆地西北緣中拐凸起石炭系火山巖為例［J］.石油天然氣學報，2012，34（1）：68～70.

［15］章立清.基于遺傳神經網絡的煤層瓦斯含量預測［J］.煤礦安全，2007（9）：23～24.

［16］王富軍.基于神經網絡和遺傳算法的瓦斯含量預測研究［J］.山西煤炭，2012，33（2）：44～45.

［17］柳小桐.BP神經網絡輸入層數據歸一化研究［J］.機械工程與自動化，2010（3）：122～123.

［18］聞 新，周 露，李 翔.MATLAB神經網絡仿真與應用［M］.北京：科學出版社，2003（1）：280～283.

［19］劉淼淼.BP神經網絡技術在煤層瓦斯含量預測中的應用［J］.煤，2012，21（10）.