基于深度學習的地震多屬性融合技術在導水裂隙帶探測中的應用

袁 峰，申 濤，謝曉深，馬 麗，汶小崗,2

(1.自然資源部煤炭資源勘查與綜合利用重點實驗室，陜西 西安 710026; 2.陜西省煤田物探測繪有限公司，陜西 西安 710005; 3.陜西省地質調查院，陜西 西安 710065; 4.西安科技大學 地質與環境學院，陜西 西安 710054)

煤層開采形成的采空塌陷會造成地表含水層水流失、潰沙等災害[1-5]。采空區中導水裂隙帶是否發育到地表和含水層對保水采煤至關重要。因此，有必要對導水裂隙帶的發育高度進行精確探測[6-7]。

目前，國內外導水裂隙帶的探測方法主要有鉆孔沖洗液觀測法、井下鉆孔注水法、相似材料模擬、鉆孔電視法等，探測成本較高，探測結果僅為離散的鉆孔資料，孔間推測存在誤差[8-10]。三維地震技術具有數據橫向連續、縱向分辨率較高的特點，在一定程度上能夠彌補鉆孔資料的不足[11-12]。

導水裂隙帶探測的核心是裂隙識別。目前，常用于裂隙識別的地震屬性歸納起來可分為:波形相似類，包括相干體、邊緣檢測和方差體等;構造幾何類，包括曲率屬性、傾角屬性等;吸收衰減類，包括振幅屬性、頻率屬性和頻譜屬性等[13-14]。對同一物探手段來說，在實際生產中需要根據其適宜性和有效性進行選擇，但無論采用何種解釋方法，都存在多解性。綜合以往技術實踐可以看出，利用多種解釋方法進行綜合解釋，可以提高解釋的精度和可靠性。

筆者采用以漏失量為監督數據的深度學習方法融合多種地震屬性對導水裂隙帶發育情況進行探測。首先，在鉆孔沖洗液漏失量觀測數據分析的基礎上，優選地震屬性，結合鉆孔沖洗液漏失量觀測數據進行有監督的深度學習，融合多種屬性信息建立裂隙模型，利用裂隙模型分析確定采動覆巖結構破壞和導水裂隙帶的三維空間范圍、形態特征、垂向巖石破壞程度定量變化特征及導水裂隙帶發育高度，并結合2個工作面的開采時間差異性推斷導水裂隙的發育、閉合規律。

1 研究區概況及勘探方案

研究區位于陜北黃土高原北端，毛烏素沙漠東南緣地帶，地形相對平坦，地貌類型主要為風沙灘地地貌。主采3號煤層，3號煤層全區可采，區內可采煤層厚度9.8～10.2 m，煤層由東南向西北緩傾，傾角約0.5°。該煤層屬厚煤層，采用復合假頂綜合機械化采煤法開采，全垮落式管理頂板，分層開采上分層煤層留底煤，開采厚度為5 m。3號煤層底板標高+1 100～+1 110 m，煤層埋深250～260 m，頂板巖性以中粒砂巖為主。研究區位于30101工作面中段，根據采掘資料，30101工作面煤層已經全部采空，該工作面寬300 m，與其西側相鄰的30102工作面，也已開采完畢，探測范圍的選擇思路是一方面保證完全覆蓋30101，30102工作面，另一方面保證完全覆蓋垮落、裂隙及變形帶，最終確定探測區為規則矩形，橫向長1 000 m，縱向寬500 m，探測區面積0.50 km2，如圖1所示，圖中藍色范圍為三維地震工作范圍。30101,30102工作面開采時間不同，30101工作面煤層采掘距本次野外數據采集時間超過18個月，30102工作面采掘距本次野外數據采集時間僅4個月。三維地震工作的同時，在沿30101工作面走向中心位置布置一條傾向剖面線A，在該剖面線上布置4個鉆孔(H1,H2,H3,H4號鉆孔)。對照鉆孔(H1,H2)布置在30101工作面加風巷東未采動區;為了查明導水裂隙帶沿工作面傾向的高度變化特征，在距30101加風巷外邊界以內25 m處布置1個H3號鉆孔;為了查明導水裂隙帶最大高度，在30101工作面中心位置布置1個H4號鉆孔。所有鉆孔均進行抽水試驗、沖洗液漏失量觀測。

圖1 研究區位置Fig.1 Position of study area

2 研究區地球物理特征

圖2為A勘探線地震時間剖面。經人工合成記錄標定，Tq為一組可連續追蹤反射波，該波組標定為基巖面反射波，在地震時間剖面中用黃線表示。Tz為一組較連續反射波，該波組標定為直羅底反射波，在地震時間剖面中用橙線表示。T3為一組連續性好，能量較強的反射波，該波組標定為3號煤層底板反射波，在地震時間剖面中用藍線表示。

圖2 地震時間剖面(變密度顯示)Fig.2 Seismic time profile(variable density display)

研究區地質構造簡單，采動之前地震時間剖面主要由Tq,Tz,T3等幾組反射波構成，剖面以近水平同相軸為主。煤層采空后，其上覆巖石失去支撐而導致平衡破壞，應力重新分布，使上覆巖體產生變形、位移和破壞，形成垮落帶、斷裂帶和彎曲變形帶，采空區內往往會表現出有別于正常地層表征的反射波場特征。

垮落帶，巖層破碎、地層完全性被破壞，該帶內巖層的波組動力學性質發生變化，波組錯斷、波形凌亂。垮落帶中T3反射波同相軸消失并伴有繞射波和各種散射。

斷裂帶，地層破壞程度小于垮落帶，地層完整性未被完全破壞，地層中發育的大小不一裂隙使地層連續性和地震反射波能量(如Tz波)均受到影響。地震波在隙裂帶中傳播后，各頻率成分的能量分布將發生變化，主要表現為反射波頻率降低，為研究斷裂帶發育提供了依據。斷裂帶上部約110 ms位置處反射波同相軸斷續出現，雖有一定的能量，但連續性差，可以用來判斷斷裂帶發育最大高度。30102工作面內斷裂帶反射波呈雜亂狀，該位置裂隙發育較為劇烈，對反射波的吸收也強烈;同一位置30101工作面有部分反射波發育，說明經歷一定時間后，部分裂隙發生了閉合，減少了對反射波的吸收。

變形帶屬于韌性變形，波組連續性較好和能量較強(如Tq波)。從圖2可以看出，變形帶底部相對煤柱位置出現反射波同相軸彎曲特征。

經以上分析，可以對采空區三帶進行大致的劃分，如圖2所示。但單從剖面特征來判斷導水裂隙帶發育高度精度有限，不能滿足生產的要求。

正常地層、30102工作面(開采4個月)、30101工作面(開采18個月)對應地層的反射波組特征是不一樣的，其頻率特征如圖3所示。

圖3 采后不同時間斷裂帶地震響應Fig.3 Seismic response of fissure zone at different mining time

從圖3可以看出，正常地層反射波主頻62 Hz;當煤層采空后，斷裂帶發育，對反射波高頻成分吸收嚴重，開采4個月后反射波的主頻變為26 Hz;采動18個月后，隨著地層沉降、壓實，部分裂隙閉合，減少了對反射波的吸收，反射波主頻有所提高，變為38 Hz。

3 基于深度學習的地震多屬性融合技術

3.1 研究思路

研究區測井資料受斷裂帶影響，數據采集并不理想，導水裂隙帶發育高度主要靠鉆孔沖洗液漏失量觀測確定，此為判斷導水裂隙帶發育高度的直接依據。從三維地震反射波特征來看，單從剖面特征來判斷導水裂隙帶發育高度較為困難。筆者在鉆孔、抽水試驗、沖洗液漏失量觀測等數據的基礎上選擇對裂隙變化敏感的地震屬性，以沖洗液漏失量觀測數據為監督樣本，對三維地震頻譜分解、相干、螞蟻追蹤等屬性數據進行有監督的深度神經網絡學習，得到基于三維地震的精細裂隙模型對導水裂隙帶發育情況進行預測，預測流程如圖4所示。

圖4 導水裂隙帶預測流程Fig.4 Flow chart of water diversion fracture zone prediction

3.2 地震屬性提取、優選

目前，常用于裂隙預測的地震屬性歸納起來可分為:波形相似類，包括相干體、邊緣檢測和方差體等;幾何特征類，包括曲率屬性、傾角屬性等;吸收衰減類，包括振幅屬性、頻率屬性和頻譜屬性等。

為了從各種地震屬性中優選出與漏失量觀測數據密切相關的地震屬性，提取了井旁地震道的15種地震屬性數據。利用式(1)求取地震屬性S與漏失量q之間相關系數，選擇與漏失量相關性較好的屬性。

(1)

表1為地震屬性與漏失量相關系數。從表1可見地震屬性與漏失量相關系數最大者為相干屬性，相關系數達0.54，而最小者為方位傾角，相關系數僅為0.04。

表1 地震屬性與漏失量相關系數Table 1 Correlation coefficient between seismic attributes and leakage

根據不同屬性的特點及與漏失量的相關性，提取相干體屬性、地層傾角屬性、最大曲率屬性、譜分解30 Hz數據體、螞蟻體、瞬時振幅屬性、瞬時頻率進行裂隙預測，地震屬性如圖5所示，從圖5可以看出，不同地震屬性對裂隙所表現的敏感程度是不同的。

圖5 地震屬性剖面Fig.5 Seismic attribute profile

3.3 深度學習地震多屬性融合技術

由表1可以看出，單一地震屬性與鉆孔沖洗液漏失量的相關性較低，為了更好地研究裂隙，本次采用深度前饋神經網絡(DFNN)技術進行屬性融合。

深度前饋神經網絡模型是一種典型的深度學習模型[15-17]。其目的是當某個近似函數f信息經過x的函數，定義f期間的計算過程，最終到達輸出y。模型的輸出與模型自身沒有反饋連接，如圖6所示。輸入訓練樣本為7維列向量T[x1,x2,x3,x4,x5,x6,x7]，其表示為地震屬性。訓練過程中，對輸入訓練數據和經過神經元輸出的結果，采用Xavier方法初始化，隨機產生對應的權重系數w和偏置項b。

圖6 DFNN的工作流程示意Fig.6 DFNN schematic workflow

神經元由一個非線性Sigmoid邏輯函數構成，其表達形式為

(2)

在向前傳播的過程中，數據以加權平均和的形式作為邏輯函數輸入到第1個隱藏層中的神經元中。第1個隱藏層中7個神經元的輸入數據分別為

(3)

經過非線性邏輯函數處理，會得到3個輸出結果，分別為f1(z1)，f2(z2)，f3(z3)，它們加權平均的結果將作為第2個隱藏層中神經元的輸入。第2個隱藏層中2個神經元的輸入數據分別為

同理，可以得到第2隱藏層中每個神經元的輸出結果，分別為f4(z4)，f5(z5)，它們的加權平均之和會作為輸出層神經元的輸入，即

z6=w(4,6)f4(z4)+w(5,6)f5(z5)+b6

經過輸出層之后，將得到最終的預測結果f6(z6)。由于采用的代價函數是非線性，通過其求解的方程不能實現期望結果。所以，必須利用數值優化進行求解。本文采用梯度下降法進行優化求解。梯度下降法從初始點采用一階線性逼近，沿著負梯度方向移動，后回到原函數，反復迭代至收斂[18]。利用梯度下降法對w和b進行優化，為了滿足梯度為0的一階最優條件，需要使目標函數為凸函數，但是，目標函數實際上為非線性函數，不屬于凸函數。因此，在計算中利用正則項為L1范數來緩解。當達到1 000次迭代時，終止數值優化。

從圖7可以看出，通過深度學習地震屬性融合，融合后的地震屬性與漏失量的相關系數r達到95%，預測結果如圖8所示。

圖7 相似系數Fig.7 Similarity coefficient

圖8 多屬性融合剖面(過孔垂直工作面剖面)Fig.8 Multi-attribute fusion profile

通過單屬性和多屬性融合剖面比較(圖5,8)可以看出，多屬性融合是單一屬性的綜合，集合了各個屬性的優點，如瞬時頻率、相干體對大裂隙反映較好，瞬時振幅對斷裂帶整體形態反映較好，螞蟻追蹤對細微裂隙反映較好，30 Hz譜分解數據對保留煤柱反映較好。多屬性融合數據通過多種屬性的融合降低了地震解釋的多解性。深度學習結果與多元回歸、概率神經網絡相比(圖9)，深度學習預測結果與漏失量數據吻合度最高，預測結果也符合地質規律，而概率神經網絡計算結果在垮落帶附近發生連續跳躍(如圖9藍色方框內)，不符合力學特征。

多屬性融合體值域與漏失量相同，值在0～4，值越大代表裂隙越發育。從圖9可以看出，從垂直方向看裂隙發育呈高角度狀，斷裂帶自上而下分為紫色部分(值在0～1)、藍色部分(值在1～2)、綠色部分(值在2～4)、黃、紅色部分(值在3～4)，代表裂隙從弱到強，越靠近煤層，裂隙越發育。

圖9 H3孔多方法裂隙預測比較Fig.9 Comparison of multi-method fracture prediction

通過多屬性融合一方面大大提高了三維地震的成像精度，消除多解性;另一方面使得地震數據轉換成沖洗液漏失量觀測數據,漏失量觀測數據大小和裂縫發育強度是呈正相關的[5,19-20]，根據這一原理可以實現導水裂隙帶的半定量預測。多屬性融合結合了不同地震屬性的優點，其解釋結果較為客觀。通過與漏失量數據對比分析認為，融合數據中數值在0～0.5為裂隙不發育區，劃分為變形帶和正常區;數值在0.5～3.5劃分為斷裂帶;數值>3.5劃分為垮落帶。

4 斷裂帶發育特征及評價

4.1 裂隙發育特征

利用深度學習融合的數據進行斷裂帶、垮落帶解釋，結合鉆孔擬合時深轉換公式:

Hd=0.006 9t2-3.784 8t+464.1

(6)

將地震時間域數據轉為深度域數據。經計算，30101工作面斷裂帶發育最大高度為120 m，30102工作面斷裂帶發育最大高度為133 m。對單個工作面來說，工作面中部斷裂帶發育高度達到最大，向兩側采空邊界處斷裂帶發育高度逐漸減小，保護煤柱附近斷裂帶發育高度約為70 m。從圖10可以看出，隨著埋深增加，裂隙發育程度不斷加大，在垮落帶附近裂隙發育程度達到最大。單個工作面斷裂帶發育形態為“拱形”，裂隙特征表現為密集的網狀分布，同一深度下30102工作面裂隙發育程度大于30101工作面。

圖10 裂隙發育平面特征Fig.10 Plane characteristics of fissure development

通過對融合后的三維地震數據進行裂隙自動提取，共解釋出裂隙200多個，如圖11(a)所示。裂隙餅狀圖如圖11(b)所示，圖11中半徑大小表示傾角，徑線方向表示方位角。由于地震分辨率、信噪比和裂隙組合的原因，追蹤出的裂隙數量不代表實際裂隙的數量，但可反映區內裂隙的整體發育程度。

圖11 提取裂隙及裂隙統計特征Fig.11 Predict cracks and their statistical characteristics

從圖11(b)可以看出裂隙走向主要以平行和垂直巷道兩個方向為主;裂隙傾角多為高角度，一般大于70°。圖11(c)為采動裂隙傾角分布圖，傾角小于30°的裂隙占8%，傾角為30°～50°的裂隙占12%，傾角為50°～60°的裂隙占9%，傾角為60°～70°的裂隙占17%，傾角為70°～80°的裂隙占18%，傾角為80°～90°的裂隙占36%。煤層開采后在巖層中形成兩類裂隙，一類為離層裂隙，另一類為豎向破裂裂隙[21]。限于裂隙自動提取精度，本文將傾角小于30°的裂隙劃分成離層裂隙。可以看出采動裂隙以高角度甚至垂直巖層層面的裂隙為主。

4.2 裂隙探測結果評價

4.2.1斷裂帶發育高度預測評價

將過井地震融合數據與鉆探數據進行比較，如圖12所示。

圖12 鉆孔綜合成果圖(部分層段)Fig.12 Comprehensive results of drilling(part of the layer)

H1號鉆孔:在基巖段單位時間沖洗液消耗量變化為0.062～0.180 L/s，平均值0.329 L/s。在整個觀測過程中，沖洗液消耗量沒有隨著鉆孔孔深增加而增加，沖洗液循環正常，沒有出現中斷或全部漏失的現象。過井地震融合數據數值在0～0.3。根據3.3節判斷依據認為沒有采動裂隙發育，與鉆探判斷結果一致。

H3號鉆孔:孔深135.16 m時沖洗液消耗量突然增大，從135.16 m以淺的0.062 L/s，增大至2.622 L/s，增大了42倍，比對比鉆孔同層位消耗量(0.077 1)增大了34倍，鉆孔水位呈緩慢下降趨勢;結合巖芯編錄判定導水裂隙帶頂界位置孔深為135.16 m處。過井地震融合數據在深度138 m時數值增大，達到0.5,根據3.3節判斷依據認為導水裂隙帶頂界位置為138 m處。

H4號鉆孔:孔深為125.20 m時鉆孔沖洗液突然漏失，循環中斷，繼續鉆進2.0 m時沖洗液又開始循環，并且漏失量呈忽大忽小的寬幅度震蕩。結合巖芯編錄判定導水斷裂帶頂界位置孔深為125.20 m處。過井地震融合數據在深度129 m時數值增大，達到0.5,根據3.3節判斷依據認為導水裂隙帶頂界位置為129 m處。

4.2.2斷裂帶傾角預測評價

本區進行了部分電視測井，將電視測井與過井地震融合數據進行對比，如圖13,14所示。從圖13可以看出，H3孔電視測井中在134.50 m開始出現垂向裂隙，延伸較短，隨著孔深增大，裂隙密度增加，且裂隙延伸增大;144.10～146.10 m為1條長2.0 m的斜向破壞裂隙，裂隙傾角約87°。截取相同深度地震融合數據可以看出，在135～145 m間有裂隙，裂隙傾角約80°與電視測井結論接近。

圖13 H3號鉆孔電視測井圖像Fig.13 H3 borehole TV logging image

從圖14可以看出，H4孔電視測井中在128.60 m開始出現斜向裂隙，延伸較短，隨著孔深增大，裂隙密度增加，以斜向裂隙為主，且裂隙延伸較短，裂隙傾角約45°。截取相同深度地震融合數據可以看出，在125～130 m間有裂隙，裂隙傾角20°～60°角度較小與電視測井結論接近。

圖14 H4號鉆孔電視測井圖像Fig.14 H4 borehole TV logging image

從以上分析可以看出基于深度學習的地震屬性融合技術導水裂隙帶預測效果較好，精度較高。

5 裂隙演化規律

研究區煤層穩定，工作面布設及開采方式相同，因此可以將30102工作面采動情況看作是30101工作面14個月前的狀態。本次研究采用類比法將采集的地震數據按照采動時間進行分類，研究裂隙生成、發育、閉合情況。

為了比較2個工作面裂隙發育情況，以深度學習后融合的地震數據為基礎，分別提取30101,30102工作面范圍內裂隙，并統計其規律如圖15所示。

圖15 不同時間開采后裂隙餅狀圖Fig.15 Pie chart of cracks after mining at different times

從圖15可以看出，煤層開采18個月后(30101工作面)裂隙比煤層開采4個月(30102工作面)有所減少，經比較認為減少了約21%，其中低角度離層裂隙(傾角0°～30°)減少了50%。

隨著采后時間推移，除裂隙數量有所減少之外，斷裂帶發育最大高度也有所降低，經計算認為30101工作面斷裂帶最大高度比30102工作面斷裂帶最大高度減小了約13 m。通過2個工作面比較可以看出距煤層頂板較遠巖體中裂隙發育強度較小，裂隙閉合較好;距煤層頂板較近巖體中裂隙發育強度大，裂隙未能完全閉合。工作面中部裂隙發育強度變化較大，裂隙閉合較好;工作面邊緣裂隙發育強度變化較小，裂隙閉合較差。

6 結 論

(1)煤層采動過程中其上覆巖層變形與破壞受到多種因素影響，其中煤層采高、采厚、采速、覆巖類型及埋深等參數對導水裂隙帶高度發育起到主導作用。巖層破壞在地震剖面中根據其振幅、頻率的時空變化可以分辨出結構破壞及裂隙發育。探測應用表明，基于深度學習的地震屬性融合技術對煤層采動引起的巖層破壞規律探測具有針對性，其精度能滿足生產需要，費用低，是一種有效探測技術，具有推廣應用價值。

(2)研究表明30101工作面斷裂帶發育最大高度為120 m，30102工作面斷裂帶發育最大高度為133 m，以高角度裂隙為主，主要沿垂直、平行工作面方向發育。導水裂隙帶的裂隙發育是先增大后降低，斷裂帶上部裂隙閉合較好，斷裂帶下部和工作面邊緣裂隙閉合較差，采動后18個月裂隙比采動后4個月減少了21%，離層裂隙減少了50%。

(3)本次研究受原始資料所限，采用漏失量數據進行深度學習，今后研究中可采用其他更好表征裂隙特征的數據如裂隙密度數據進行深度學習，可以提高預測精度。