一种深部矿层和岩层的判定方法
一种深部矿层和岩层的判定方法
【技术领域】：
[0001] 本发明属于地质勘探技术领域，设及一种深部矿层和岩层的判定方法，将测井数 据输入自建的人工神经网络模型中对取忍率低和具有测井曲线的深埋地区薄煤层、石膏 层、砂岩和特殊泥页岩沉积矿层进行判定。
【背景技术】：
[0002] 测井的全称是地球物理测井，也叫钻井地球物理或矿场地球物理，是应用地球物 理方法来研究钻孔地质剖面，解决某些地下地质问题和钻井技术问题的技术科学，是地质 勘探工作常用的方式之一;测井按照勘探对象的不同分为煤田测井、油田测井、金属和非金 属测井及水文测井，测井方法包括电阻率法、自然伽码法和人工伽码法;在沉积矿层的测井 中，选用有效参数利用特殊矿层、必测参数与围岩的物性差异能够对特殊矿层进行判定，利 用参数曲线形态特征、标志层和对比方法能够对特殊矿层进行定位，利用视电阻率和人工 放射性参数曲线特征，能够确定特殊矿层的深度、厚度和结构;在现有技术中，对特殊矿层 的判定主要利用逻辑判断法、曲线形态特征判定法、标志层特征判定法和对比判定法：（1)、 逻辑判断法是指根据逻辑判断规则进行判定，如果电阻率高值为真，则低值为假，天然放射 性低值为真，则高值为假，人工放射性高值为真，则低值为假，当Ξ者同时为真时，则判断为 有矿；（2)、曲线形态特征判定法通常结合逻辑判断法，利用井田部分特殊矿层的参数和曲 线形态特征判定特殊矿层是否有矿；（3)、标志层特征判定法通常结合逻辑判断法和曲线形 态特征判定法判定特殊矿层是否有矿，一个井田或一定范围内一种参数或几种参数在不同 的钻井中对应位置的参数曲线形态特征具有相似性，标志层可能是特殊矿层本身，也可能 是煤层的直接顶、底板或距矿层一定距离的其他岩层；（4)、对比判定法是矿层逻辑判定之 后，在基础资料比较详实的基础上利用标志层参数曲线形态、层间距、厚度和地质标志层作 综合分析，侧重标志层曲线形态特征，经过综合对比和分析，找出井田内各钻孔物性特征相 似性的层位，在总结出具有规律性的基础资料上判断并确定矿层的位置;现有技术主要是 针对陆地上、埋深浅和围岩岩性简单的矿层，通过测井曲线的异常响应、自然电位或视电阻 率进行简单的判定，准确性较差，局限性较大，不能准确定量矿层的厚度，无法实现受到地 层压力和构造因素综合影响深部(深度为3000米下)矿层和薄矿层的判定。因此，研发设计 一种利用人工神经网络模型准确判定深部矿层和岩层的方法，具有良好的社会和经济价 值，应用前景广阔，为地质勘探的发展提供新思路。
【发明内容】
：
[0003] 本发明的目的在于克服现有技术存在的缺点，设计一种深部矿层和岩层的判定方 法，将测井数据输入人工神经网络模型对取忍率低和具有测井曲线的深埋地区薄煤层、石 膏层、砂岩和特殊沉积矿层进行判定。
[0004] 为了实现上述目的，本发明设及的深部矿层和岩层的判定方法包括建立人工神经 网络模型和判定深部矿层和岩层两个步骤：
[000引（1)、建立人工神经网络模型：人工神经网络模型由输入层、输出层和隐含层Ξ部 分组成，其中输入层的建立过程是:输入矿层或岩层的视电阻率、人工伽马值和自然伽马值 组成测井曲线值的初始矩阵，初始矩阵的行数越多越好，对初始矩阵进行归一化，统一无量 纲化，消除不同影响，把输入数据归一化在【0，1】之间，归一化公式是Χ'υ=(Χι广Xjmin)/ 戍111￡?-)(恤。），式中1 = 1、2。''\￥0 = 1、2。'111，(>和1]1的值根据测井曲线值的个数和矿层或岩层 的类型确定化max = max{Xij}，Xjmin = min{Xij}，X恤X和Xjmin分别是各变量的最大值和最小值， 归一化后的数据X ' U E [0，1 ]，数据代码为：
[0006] For 1 = 1 :r
[0007] P(i，：）= (P(i，：）-min(P(i，：）））/(max(P(i，：））-min(P(i，：）））
[0008] End;
[0009] r为测井数据条数，每一条对应一个岩性，min(P(i，：）代表不同岩石类型的某一种 类型测井数据的最小值，max(P(i，：）代表不同岩石类型的某一种类型测井数据的最大值；
[0010] 输出层的建立过程是:定义归一化后的数据X'u，接近1或者等于1的为对应的识别 结果，将识别结果输入矩阵实验室进行计算得到目标矩阵，实现输出层的建立；
[0011] 隐含层的建立过程是：针对输入层建立的算法，根据人工神经网络计算公式
骑定，式中P为输出层结点数，η为输入层神经元数，q为输出层神经元数，a取0 ~10之间的常数，选取不同输入层神经元数和输出层神经元数进行运算并确定输出层结点 数；
[0012] 采用常规的矩阵实验室中专口构建人工神经网络模型的函数：
[0013] net = newff (minmax(P), [No(i), 1], {'tansig'，' logsig'}, 'trainlm'）；
[0014] for 1 = 1:4
[0015] net = newff (minmax(P), [No(i), 1], {'tansig'，' logsig'}, 'trainlm'）；
[0016] net. trainParam.邱 ochs = 1000，表不训练步长；
[0017] net. trainParam. goad = 0.00013，表不网络误差；
[001 引 net = train(net,P,T);
[0019] Temp = sim(net ,P_test);
[0020] erroH i , 1:4) =Temp-T;
[0021 ]实现人工神经网络模型的建立；
[0022] (2)、深部矿层和岩层的判定：按照0.5m的间距读取未取忍钻孔的测井曲线数据， 将每一层数据输入步骤（1)建立的人工神经网络模型后计算得出结果，再对计算结果进行 分析，按照每行接近于1的数据反馈数据所代表的矿层和岩层的矿性和岩性，判定矿层和岩 层。
[0023] 本发明设及的矿层或岩层包括特殊矿层、砂岩、泥岩和石灰岩，特殊矿层包括煤 层、石膏层和岩盐层，泥岩视电阻率为5-60 Ω -m，致密砂岩为20-1000 Ω -m，特殊矿层有较 大差异，煤层为〇.〇〇1-50〇?111，石膏层为109〇?1]1，岩盐层为10 4-106 〇?1]1，泥岩和煤层的 人工伽马值较低，砂岩和石灰岩的人工伽马值相对较高，自然伽马值来自于岩石的放射性 元素，放射性较高的为海相泥岩，放射性中等的为浅海或陆相泥岩和煤层，放射性较低的为 砂岩、石灰岩、石膏层和岩盐层。
[0024] 本发明设及的深部矿层和岩层的判定方法，在输入层建立过程中，矩阵行数越多 越好，砂岩层在同一钻孔不同层位的测井曲线值存在差异，记录所有测井曲线值，将岩性细 化成粗砂岩、中砂岩和细砂岩，记录粗砂岩、中砂岩和细砂岩的测井曲线值，将煤分为无烟 煤和有烟煤，记录无烟煤和有烟煤的测井曲线值，W便增加矩阵的行数;隐含层针对输入层 设计的算法，内部单元数目与要求、输入和输出层的数目直接关联，根据实验或经验确定内 部单元数目，内部单元数目少，获取的测井曲线值就少，内部单元数目多，增加训练步长，导 致计算时间过长，不能保证网络误差的准确性;根据公式扩=^/^ +株确定P值，为了得到 合适的内部单元数目，选取不同的隐含层神经元数目进行测试运算，分别记录每种情形的 实际输出与期望输出的训练步长和网络误差，采用矩阵实验室中专口构建人工神经网络模 型的函数计算确定训练步长少和网络误差小的数据为隐含层内部单元数目，矩阵实验室多 次计算确定的最佳内部单元数目为1000次。
[0025] 本发明设及的深部矿层和岩层的判定方法，验证时选取没有参与人工神经网络模 型建立的同一地区的数据作为验证记录，选取数据的原则是数据对应的岩石是参与人工神 经网络模型建立的数据中的一种，要涵盖所有岩石类型;选取预测区已有测井曲线值的8个 钻孔作为基本参数，其中6个钻孔岩石性质针对某种岩性为主，某个钻孔中泥岩含量相对 高，作为一个样本，或某个钻孔中砂岩含量较高，作为一个样本，基于6个钻孔测井曲线值构 建人工神经网络模型，利用其余2个钻孔测井曲线值作为误差校正数据，将另外2个钻孔测 井曲线值输入到人工神经网络模型，工作信号由输入层经隐含层传向输出层的正向传播， 在输出端产生实际输出值，实际输出值与期望输出值的差值大于设定值0.001时，误差信号 由输出层经隐含层向输入层反向传播并逐层修正连接权，工作信号正向传播和误差信号反 向传播反复交替进行到实际输出值与期望输出值的差值小于设定值0.001时结束，根据计 算结果验证人工神经网络模型的判定结果。
[0026] 本发明与现有技术相比，将已读取的取忍钻孔的自然伽马值、视电阻率和人工伽 马值输入人工神经网络模型进行学习、校正和计算得到矩阵和结果，根据反馈数据所代表 的矿层和岩层的矿性和岩性，判定矿层和岩层;其设计原理科学可靠，操作简便实 用，测试 精度高，效率好，使用环境友好，能够推广应用。
【附图说明】：
[0027] 图1为本发明设及的人工神经网络模型的主体结构原理示意图。
[0028] 图2为本发明设及的人工神经网络模型判定矿层或岩层的流程示意图。
【具体实施方式】：
[0029] 下面通过实施例结合附图对本发明作进一步说明。
[0030] 实施例1:
[0031] 本实施例设及的深部矿层和岩层的判定方法包括建立人工神经网络模型和判定 深部矿层两个步骤：
[0032] (1)、建立人工神经网络模型：
[0033] 人工神经网络模型由输入层、输出层和隐含层Ξ部分组成，其中输入层的建立过 程是：输入主要是砂岩矿层的某煤矿区的视电阻率、人工伽马值和自然伽马值，输入层为 [25,585,28]，泥岩层为[10,900,78]，煤层为[75,8100，110]，石灰岩层[90,747,35]，组成 测井曲线值的初始矩阵(P):
[0034]
[003引将初始矩阵（P)带入归一化公式是X'ij = (Xi广Xjmin)/陆max-Xjmin)进行归一化，初 始矩阵(P)变为：
[0036]
[0037] 输出层的建立过程是:定义[砂岩层，泥岩层，特殊矿层，石灰岩层]中接近1或者等 于1的数据为对应的识别结果，识别砂岩层的结果为[1，0,0,0]，识别泥岩层的结果为[0，1， 0,0]，识别特殊矿层的结果为[0,0，1，0]，识别石灰岩层的结果为[0,0,0，1]，将识别结果输 入常规的矩阵实验室(matlab)进行计算得到目标矩阵(T):
[003引
[0039] 隐含层的建立过程是:针对输入层建立的算法，根据公式= + a确定P值， 选取不同的隐含层神经元数目进行测试运算，分别记录每种情形的实际输出与期望输出的 训练步长和网络误差，采用矩阵实验室中专口构建人工神经网络模型的函数计算确定训练 步长较少和网络误差较小的1000次为隐含层内部单元数目；实现人工神经网络模型的建 立；
[0040] (2)、深部矿层和岩层的判定：按照0.5m的间距读取未取忍钻孔的测井曲线数据， 将每一层数据输入步骤（1)建立的人工神经网络模型后计算得出结果，再对计算结果进行 分析，按照每行接近于1的数据反馈数据所代表的矿层和岩层的矿性和岩性，判定矿层和岩 层。
【主权项】
1. 一种深部矿层和岩层的判定方法，其特征在于包括建立人工神经网络模型和判定深 部矿层和岩层两个步骤： (1) 、建立人工神经网络模型：人工神经网络模型由输入层、输出层和隐含层三部分组 成，其中输入层的建立过程是:输入矿层或岩层的视电阻率、人工伽马值和自然伽马值组成 测井曲线值的初始矩阵，初始矩阵的行数越多越好，对初始矩阵进行归一化，统一无量纲 化，消除不同影响，把输入数据归一化在【O，1】之间，归一化公式是X ' i j = (Xi j-Xjmin) / (Xjmax-父_1〇，式中1 = 1、2-_'\￥，」=1、2-111，其中，'\￥和1]1的值根据测井曲线值的个数和矿层或岩层的 类型确定，Xjmx=HiaxiXi] ,Xjmin=HiiniXi]，Xjmax和\*分别是各变量的最大值和最小值，归 一化后的数据X' U e [〇，1 ]，数据代码为： For i = l:r P(i, :) = (P(i, :)-min(P(i,:)) )/(max(P(i , :))-min(P(i,:))) End； r为测井数据条数，每一条对应一个岩性，min(P(i，：）代表不同岩石类型的某一种类型 测井数据的最小值，max(P(i，：）代表不同岩石类型的某一种类型测井数据的最大值； 输出层的建立过程是：定义归一化后的数据X'U，接近1或者等于1的为对应的识别结 果，将识别结果输入矩阵实验室进行计算得到目标矩阵，实现输出层的建立； 隐含层的建立过程是：针对输入层建立的算法，根据人工神经网络计算公式确定，式中P为输出层结点数，η为输入层神经元数，q为输出层神经元数，a取0 ~10之间的常数，选取不同输入层神经元数和输出层神经元数进行运算并确定输出层结点 数； 采用常规的矩阵实验室中专门构建人工神经网络模型的函数： net = newff (minmax(P), [No(i), I], {'tansig',' logsig'},'trainlm')； for i = l:4 net = newff(minmax(P)，[No(i)，I]，{'tansig'，' logsig'}，'trainlm'）； net · trainParam · epochs = 1000，表不训练步长； net · trainParam. goad = 0.00013，表不网络误差； net = train(net,P,T)； Temp = sim(net ,P_test)； error(i , 1:4) =Temp-T； 实现人工神经网络模型的建立； (2) 、深部矿层和岩层的判定：按照0.5m的间距读取未取芯钻孔的测井曲线数据，将每 一层数据输入步骤(1)建立的人工神经网络模型后计算得出结果，再对计算结果进行分析， 按照每行接近于1的数据反馈数据所代表的矿层和岩层的矿性和岩性，判定矿层和岩层。2. 根据权利要求1所述的深部矿层和岩层的判定方法，其特征在于所述矿层或岩层包 括特殊矿层、砂岩、泥岩和石灰岩，特殊矿层包括煤层、石膏层和岩盐层，泥岩视电阻率为5-60 Ω ·ηι，致密砂岩为20-1000 Ω ·ηι，特殊矿层有较大差异，煤层为0.001-50 Ω ·ηι，石膏层 为109Ω ·ηι，岩盐层为104-106 Ω ·ηι，泥岩和煤层的人工伽马值较低，砂岩和石灰岩的人工 伽马值相对较高，自然伽马值来自于岩石的放射性元素，放射性较高的为海相泥岩，放射性 中等的为浅海或陆相泥岩和煤层，放射性较低的为砂岩、石灰岩、石膏层和岩盐层。3. 根据权利要求1所述的深部矿层和岩层的判定方法，其特征在于在输入层建立过程 中，矩阵行数越多越好，砂岩层在同一钻孔不同层位的测井曲线值存在差异，记录所有测井 曲线值，将岩性细化成粗砂岩、中砂岩和细砂岩，记录粗砂岩、中砂岩和细砂岩的测井曲线 值，将煤分为无烟煤和有烟煤，记录无烟煤和有烟煤的测井曲线值，以便增加矩阵的行数； 隐含层针对输入层设计的算法，内部单元数目与要求、输入和输出层的数目直接关联，根据 实验或经验确定内部单元数目，内部单元数目少，获取的测井曲线值就少，内部单元数目 多，增加训练步长，导致计算时间过长，不能保证网络误差的准确性；根据公式确定P值，为了得到合适的内部单元数目，选取不同的隐含层神经元数目进行 测试运算，分别记录每种情形的实际输出与期望输出的训练步长和网络误差，采用矩阵实 验室中专门构建人工神经网络模型的函数计算确定训练步长少和网络误差小的数据为隐 含层内部单元数目，矩阵实验室多次计算确定的最佳内部单元数目为1000次。4. 根据权利要求1所述的深部矿层和岩层的判定方法，其特征在于验证时选取没有参 与人工神经网络模型建立的同一地区的数据作为验证记录，选取数据的原则是数据对应的 岩石是参与人工神经网络模型建立的数据中的一种，要涵盖所有岩石类型；选取预测区已 有测井曲线值的8个钻孔作为基本参数，其中6个钻孔岩石性质针对某种岩性为主，某个钻 孔中泥岩含量相对高，作为一个样本，或某个钻孔中砂岩含量较高，作为一个样本，基于6个 钻孔测井曲线值构建人工神经网络模型，利用其余2个钻孔测井曲线值作为误差校正数据， 将另外2个钻孔测井曲线值输入到人工神经网络模型，工作信号由输入层经隐含层传向输 出层的正向传播，在输出端产生实际输出值，实际输出值与期望输出值的差值大于设定值 0.001时，误差信号由输出层经隐含层向输入层反向传播并逐层修正连接权，工作信号正向 传播和误差信号反向传播反复交替进行到实际输出值与期望输出值的差值小于设定值 0.001时结束，根据计算结果验证人工神经网络模型的判定结果。
【专利摘要】本发明属于地质勘探技术领域，涉及一种深部矿层和岩层的判定方法，首先输入矿层和岩层的视电阻率、人工伽马值和自然伽马值组成测井曲线值的初始矩阵，对初始矩阵进行归一化，再定义归一化后的数据接近1或者等于1的为对应的识别结果，将识别结果输入矩阵实验室进行计算得到目标矩阵，然后根据公式运算并确定输出层结点数，采用矩阵实验室中专门构建人工神经网络模型的函数建立人工神经网络模型，最后读取未取芯钻孔的测井曲线数据，将每一层数据输入人工神经网络模型后计算得出结果，分析并判定矿层和岩层；其设计原理科学可靠，操作简便实用，测试精度高，效率好，使用环境友好，能够推广应用。
【IPC分类】G06F17/50, E21B49/00
【公开号】CN105488248
【申请号】CN201510796396
【发明人】吕大炜, 李增学, 刘海燕, 王绪冰, 勇朋林
【申请人】山东科技大学
【公开日】2016年4月13日
【申请日】2015年11月18日
【技术领域】：
[0001] 本发明属于地质勘探技术领域，设及一种深部矿层和岩层的判定方法，将测井数 据输入自建的人工神经网络模型中对取忍率低和具有测井曲线的深埋地区薄煤层、石膏 层、砂岩和特殊泥页岩沉积矿层进行判定。
【背景技术】：
[0002] 测井的全称是地球物理测井，也叫钻井地球物理或矿场地球物理，是应用地球物 理方法来研究钻孔地质剖面，解决某些地下地质问题和钻井技术问题的技术科学，是地质 勘探工作常用的方式之一;测井按照勘探对象的不同分为煤田测井、油田测井、金属和非金 属测井及水文测井，测井方法包括电阻率法、自然伽码法和人工伽码法;在沉积矿层的测井 中，选用有效参数利用特殊矿层、必测参数与围岩的物性差异能够对特殊矿层进行判定，利 用参数曲线形态特征、标志层和对比方法能够对特殊矿层进行定位，利用视电阻率和人工 放射性参数曲线特征，能够确定特殊矿层的深度、厚度和结构;在现有技术中，对特殊矿层 的判定主要利用逻辑判断法、曲线形态特征判定法、标志层特征判定法和对比判定法：（1)、 逻辑判断法是指根据逻辑判断规则进行判定，如果电阻率高值为真，则低值为假，天然放射 性低值为真，则高值为假，人工放射性高值为真，则低值为假，当Ξ者同时为真时，则判断为 有矿；（2)、曲线形态特征判定法通常结合逻辑判断法，利用井田部分特殊矿层的参数和曲 线形态特征判定特殊矿层是否有矿；（3)、标志层特征判定法通常结合逻辑判断法和曲线形 态特征判定法判定特殊矿层是否有矿，一个井田或一定范围内一种参数或几种参数在不同 的钻井中对应位置的参数曲线形态特征具有相似性，标志层可能是特殊矿层本身，也可能 是煤层的直接顶、底板或距矿层一定距离的其他岩层；（4)、对比判定法是矿层逻辑判定之 后，在基础资料比较详实的基础上利用标志层参数曲线形态、层间距、厚度和地质标志层作 综合分析，侧重标志层曲线形态特征，经过综合对比和分析，找出井田内各钻孔物性特征相 似性的层位，在总结出具有规律性的基础资料上判断并确定矿层的位置;现有技术主要是 针对陆地上、埋深浅和围岩岩性简单的矿层，通过测井曲线的异常响应、自然电位或视电阻 率进行简单的判定，准确性较差，局限性较大，不能准确定量矿层的厚度，无法实现受到地 层压力和构造因素综合影响深部(深度为3000米下)矿层和薄矿层的判定。因此，研发设计 一种利用人工神经网络模型准确判定深部矿层和岩层的方法，具有良好的社会和经济价 值，应用前景广阔，为地质勘探的发展提供新思路。
【发明内容】
：
[0003] 本发明的目的在于克服现有技术存在的缺点，设计一种深部矿层和岩层的判定方 法，将测井数据输入人工神经网络模型对取忍率低和具有测井曲线的深埋地区薄煤层、石 膏层、砂岩和特殊沉积矿层进行判定。
[0004] 为了实现上述目的，本发明设及的深部矿层和岩层的判定方法包括建立人工神经 网络模型和判定深部矿层和岩层两个步骤：
[000引（1)、建立人工神经网络模型：人工神经网络模型由输入层、输出层和隐含层Ξ部 分组成，其中输入层的建立过程是:输入矿层或岩层的视电阻率、人工伽马值和自然伽马值 组成测井曲线值的初始矩阵，初始矩阵的行数越多越好，对初始矩阵进行归一化，统一无量 纲化，消除不同影响，把输入数据归一化在【0，1】之间，归一化公式是Χ'υ=(Χι广Xjmin)/ 戍111￡?-)(恤。），式中1 = 1、2。''\￥0 = 1、2。'111，(>和1]1的值根据测井曲线值的个数和矿层或岩层 的类型确定化max = max{Xij}，Xjmin = min{Xij}，X恤X和Xjmin分别是各变量的最大值和最小值， 归一化后的数据X ' U E [0，1 ]，数据代码为：
[0006] For 1 = 1 :r
[0007] P(i，：）= (P(i，：）-min(P(i，：）））/(max(P(i，：））-min(P(i，：）））
[0008] End;
[0009] r为测井数据条数，每一条对应一个岩性，min(P(i，：）代表不同岩石类型的某一种 类型测井数据的最小值，max(P(i，：）代表不同岩石类型的某一种类型测井数据的最大值；
[0010] 输出层的建立过程是:定义归一化后的数据X'u，接近1或者等于1的为对应的识别 结果，将识别结果输入矩阵实验室进行计算得到目标矩阵，实现输出层的建立；
[0011] 隐含层的建立过程是：针对输入层建立的算法，根据人工神经网络计算公式
骑定，式中P为输出层结点数，η为输入层神经元数，q为输出层神经元数，a取0 ~10之间的常数，选取不同输入层神经元数和输出层神经元数进行运算并确定输出层结点 数；
[0012] 采用常规的矩阵实验室中专口构建人工神经网络模型的函数：
[0013] net = newff (minmax(P), [No(i), 1], {'tansig'，' logsig'}, 'trainlm'）；
[0014] for 1 = 1:4
[0015] net = newff (minmax(P), [No(i), 1], {'tansig'，' logsig'}, 'trainlm'）；
[0016] net. trainParam.邱 ochs = 1000，表不训练步长；
[0017] net. trainParam. goad = 0.00013，表不网络误差；
[001 引 net = train(net,P,T);
[0019] Temp = sim(net ,P_test);
[0020] erroH i , 1:4) =Temp-T;
[0021 ]实现人工神经网络模型的建立；
[0022] (2)、深部矿层和岩层的判定：按照0.5m的间距读取未取忍钻孔的测井曲线数据， 将每一层数据输入步骤（1)建立的人工神经网络模型后计算得出结果，再对计算结果进行 分析，按照每行接近于1的数据反馈数据所代表的矿层和岩层的矿性和岩性，判定矿层和岩 层。
[0023] 本发明设及的矿层或岩层包括特殊矿层、砂岩、泥岩和石灰岩，特殊矿层包括煤 层、石膏层和岩盐层，泥岩视电阻率为5-60 Ω -m，致密砂岩为20-1000 Ω -m，特殊矿层有较 大差异，煤层为〇.〇〇1-50〇?111，石膏层为109〇?1]1，岩盐层为10 4-106 〇?1]1，泥岩和煤层的 人工伽马值较低，砂岩和石灰岩的人工伽马值相对较高，自然伽马值来自于岩石的放射性 元素，放射性较高的为海相泥岩，放射性中等的为浅海或陆相泥岩和煤层，放射性较低的为 砂岩、石灰岩、石膏层和岩盐层。
[0024] 本发明设及的深部矿层和岩层的判定方法，在输入层建立过程中，矩阵行数越多 越好，砂岩层在同一钻孔不同层位的测井曲线值存在差异，记录所有测井曲线值，将岩性细 化成粗砂岩、中砂岩和细砂岩，记录粗砂岩、中砂岩和细砂岩的测井曲线值，将煤分为无烟 煤和有烟煤，记录无烟煤和有烟煤的测井曲线值，W便增加矩阵的行数;隐含层针对输入层 设计的算法，内部单元数目与要求、输入和输出层的数目直接关联，根据实验或经验确定内 部单元数目，内部单元数目少，获取的测井曲线值就少，内部单元数目多，增加训练步长，导 致计算时间过长，不能保证网络误差的准确性;根据公式扩=^/^ +株确定P值，为了得到 合适的内部单元数目，选取不同的隐含层神经元数目进行测试运算，分别记录每种情形的 实际输出与期望输出的训练步长和网络误差，采用矩阵实验室中专口构建人工神经网络模 型的函数计算确定训练步长少和网络误差小的数据为隐含层内部单元数目，矩阵实验室多 次计算确定的最佳内部单元数目为1000次。
[0025] 本发明设及的深部矿层和岩层的判定方法，验证时选取没有参与人工神经网络模 型建立的同一地区的数据作为验证记录，选取数据的原则是数据对应的岩石是参与人工神 经网络模型建立的数据中的一种，要涵盖所有岩石类型;选取预测区已有测井曲线值的8个 钻孔作为基本参数，其中6个钻孔岩石性质针对某种岩性为主，某个钻孔中泥岩含量相对 高，作为一个样本，或某个钻孔中砂岩含量较高，作为一个样本，基于6个钻孔测井曲线值构 建人工神经网络模型，利用其余2个钻孔测井曲线值作为误差校正数据，将另外2个钻孔测 井曲线值输入到人工神经网络模型，工作信号由输入层经隐含层传向输出层的正向传播， 在输出端产生实际输出值，实际输出值与期望输出值的差值大于设定值0.001时，误差信号 由输出层经隐含层向输入层反向传播并逐层修正连接权，工作信号正向传播和误差信号反 向传播反复交替进行到实际输出值与期望输出值的差值小于设定值0.001时结束，根据计 算结果验证人工神经网络模型的判定结果。
[0026] 本发明与现有技术相比，将已读取的取忍钻孔的自然伽马值、视电阻率和人工伽 马值输入人工神经网络模型进行学习、校正和计算得到矩阵和结果，根据反馈数据所代表 的矿层和岩层的矿性和岩性，判定矿层和岩层;其设计原理科学可靠，操作简便实 用，测试 精度高，效率好，使用环境友好，能够推广应用。
【附图说明】：
[0027] 图1为本发明设及的人工神经网络模型的主体结构原理示意图。
[0028] 图2为本发明设及的人工神经网络模型判定矿层或岩层的流程示意图。
【具体实施方式】：
[0029] 下面通过实施例结合附图对本发明作进一步说明。
[0030] 实施例1:
[0031] 本实施例设及的深部矿层和岩层的判定方法包括建立人工神经网络模型和判定 深部矿层两个步骤：
[0032] (1)、建立人工神经网络模型：
[0033] 人工神经网络模型由输入层、输出层和隐含层Ξ部分组成，其中输入层的建立过 程是：输入主要是砂岩矿层的某煤矿区的视电阻率、人工伽马值和自然伽马值，输入层为 [25,585,28]，泥岩层为[10,900,78]，煤层为[75,8100，110]，石灰岩层[90,747,35]，组成 测井曲线值的初始矩阵(P):
[0034]
[003引将初始矩阵（P)带入归一化公式是X'ij = (Xi广Xjmin)/陆max-Xjmin)进行归一化，初 始矩阵(P)变为：
[0036]
[0037] 输出层的建立过程是:定义[砂岩层，泥岩层，特殊矿层，石灰岩层]中接近1或者等 于1的数据为对应的识别结果，识别砂岩层的结果为[1，0,0,0]，识别泥岩层的结果为[0，1， 0,0]，识别特殊矿层的结果为[0,0，1，0]，识别石灰岩层的结果为[0,0,0，1]，将识别结果输 入常规的矩阵实验室(matlab)进行计算得到目标矩阵(T):
[003引
[0039] 隐含层的建立过程是:针对输入层建立的算法，根据公式= + a确定P值， 选取不同的隐含层神经元数目进行测试运算，分别记录每种情形的实际输出与期望输出的 训练步长和网络误差，采用矩阵实验室中专口构建人工神经网络模型的函数计算确定训练 步长较少和网络误差较小的1000次为隐含层内部单元数目；实现人工神经网络模型的建 立；
[0040] (2)、深部矿层和岩层的判定：按照0.5m的间距读取未取忍钻孔的测井曲线数据， 将每一层数据输入步骤（1)建立的人工神经网络模型后计算得出结果，再对计算结果进行 分析，按照每行接近于1的数据反馈数据所代表的矿层和岩层的矿性和岩性，判定矿层和岩 层。
【主权项】
1. 一种深部矿层和岩层的判定方法，其特征在于包括建立人工神经网络模型和判定深 部矿层和岩层两个步骤： (1) 、建立人工神经网络模型：人工神经网络模型由输入层、输出层和隐含层三部分组 成，其中输入层的建立过程是:输入矿层或岩层的视电阻率、人工伽马值和自然伽马值组成 测井曲线值的初始矩阵，初始矩阵的行数越多越好，对初始矩阵进行归一化，统一无量纲 化，消除不同影响，把输入数据归一化在【O，1】之间，归一化公式是X ' i j = (Xi j-Xjmin) / (Xjmax-父_1〇，式中1 = 1、2-_'\￥，」=1、2-111，其中，'\￥和1]1的值根据测井曲线值的个数和矿层或岩层的 类型确定，Xjmx=HiaxiXi] ,Xjmin=HiiniXi]，Xjmax和\*分别是各变量的最大值和最小值，归 一化后的数据X' U e [〇，1 ]，数据代码为： For i = l:r P(i, :) = (P(i, :)-min(P(i,:)) )/(max(P(i , :))-min(P(i,:))) End； r为测井数据条数，每一条对应一个岩性，min(P(i，：）代表不同岩石类型的某一种类型 测井数据的最小值，max(P(i，：）代表不同岩石类型的某一种类型测井数据的最大值； 输出层的建立过程是：定义归一化后的数据X'U，接近1或者等于1的为对应的识别结 果，将识别结果输入矩阵实验室进行计算得到目标矩阵，实现输出层的建立； 隐含层的建立过程是：针对输入层建立的算法，根据人工神经网络计算公式确定，式中P为输出层结点数，η为输入层神经元数，q为输出层神经元数，a取0 ~10之间的常数，选取不同输入层神经元数和输出层神经元数进行运算并确定输出层结点 数； 采用常规的矩阵实验室中专门构建人工神经网络模型的函数： net = newff (minmax(P), [No(i), I], {'tansig',' logsig'},'trainlm')； for i = l:4 net = newff(minmax(P)，[No(i)，I]，{'tansig'，' logsig'}，'trainlm'）； net · trainParam · epochs = 1000，表不训练步长； net · trainParam. goad = 0.00013，表不网络误差； net = train(net,P,T)； Temp = sim(net ,P_test)； error(i , 1:4) =Temp-T； 实现人工神经网络模型的建立； (2) 、深部矿层和岩层的判定：按照0.5m的间距读取未取芯钻孔的测井曲线数据，将每 一层数据输入步骤(1)建立的人工神经网络模型后计算得出结果，再对计算结果进行分析， 按照每行接近于1的数据反馈数据所代表的矿层和岩层的矿性和岩性，判定矿层和岩层。2. 根据权利要求1所述的深部矿层和岩层的判定方法，其特征在于所述矿层或岩层包 括特殊矿层、砂岩、泥岩和石灰岩，特殊矿层包括煤层、石膏层和岩盐层，泥岩视电阻率为5-60 Ω ·ηι，致密砂岩为20-1000 Ω ·ηι，特殊矿层有较大差异，煤层为0.001-50 Ω ·ηι，石膏层 为109Ω ·ηι，岩盐层为104-106 Ω ·ηι，泥岩和煤层的人工伽马值较低，砂岩和石灰岩的人工 伽马值相对较高，自然伽马值来自于岩石的放射性元素，放射性较高的为海相泥岩，放射性 中等的为浅海或陆相泥岩和煤层，放射性较低的为砂岩、石灰岩、石膏层和岩盐层。3. 根据权利要求1所述的深部矿层和岩层的判定方法，其特征在于在输入层建立过程 中，矩阵行数越多越好，砂岩层在同一钻孔不同层位的测井曲线值存在差异，记录所有测井 曲线值，将岩性细化成粗砂岩、中砂岩和细砂岩，记录粗砂岩、中砂岩和细砂岩的测井曲线 值，将煤分为无烟煤和有烟煤，记录无烟煤和有烟煤的测井曲线值，以便增加矩阵的行数； 隐含层针对输入层设计的算法，内部单元数目与要求、输入和输出层的数目直接关联，根据 实验或经验确定内部单元数目，内部单元数目少，获取的测井曲线值就少，内部单元数目 多，增加训练步长，导致计算时间过长，不能保证网络误差的准确性；根据公式确定P值，为了得到合适的内部单元数目，选取不同的隐含层神经元数目进行 测试运算，分别记录每种情形的实际输出与期望输出的训练步长和网络误差，采用矩阵实 验室中专门构建人工神经网络模型的函数计算确定训练步长少和网络误差小的数据为隐 含层内部单元数目，矩阵实验室多次计算确定的最佳内部单元数目为1000次。4. 根据权利要求1所述的深部矿层和岩层的判定方法，其特征在于验证时选取没有参 与人工神经网络模型建立的同一地区的数据作为验证记录，选取数据的原则是数据对应的 岩石是参与人工神经网络模型建立的数据中的一种，要涵盖所有岩石类型；选取预测区已 有测井曲线值的8个钻孔作为基本参数，其中6个钻孔岩石性质针对某种岩性为主，某个钻 孔中泥岩含量相对高，作为一个样本，或某个钻孔中砂岩含量较高，作为一个样本，基于6个 钻孔测井曲线值构建人工神经网络模型，利用其余2个钻孔测井曲线值作为误差校正数据， 将另外2个钻孔测井曲线值输入到人工神经网络模型，工作信号由输入层经隐含层传向输 出层的正向传播，在输出端产生实际输出值，实际输出值与期望输出值的差值大于设定值 0.001时，误差信号由输出层经隐含层向输入层反向传播并逐层修正连接权，工作信号正向 传播和误差信号反向传播反复交替进行到实际输出值与期望输出值的差值小于设定值 0.001时结束，根据计算结果验证人工神经网络模型的判定结果。
【专利摘要】本发明属于地质勘探技术领域，涉及一种深部矿层和岩层的判定方法，首先输入矿层和岩层的视电阻率、人工伽马值和自然伽马值组成测井曲线值的初始矩阵，对初始矩阵进行归一化，再定义归一化后的数据接近1或者等于1的为对应的识别结果，将识别结果输入矩阵实验室进行计算得到目标矩阵，然后根据公式运算并确定输出层结点数，采用矩阵实验室中专门构建人工神经网络模型的函数建立人工神经网络模型，最后读取未取芯钻孔的测井曲线数据，将每一层数据输入人工神经网络模型后计算得出结果，分析并判定矿层和岩层；其设计原理科学可靠，操作简便实用，测试精度高，效率好，使用环境友好，能够推广应用。
【IPC分类】G06F17/50, E21B49/00
【公开号】CN105488248
【申请号】CN201510796396
【发明人】吕大炜, 李增学, 刘海燕, 王绪冰, 勇朋林
【申请人】山东科技大学
【公开日】2016年4月13日
【申请日】2015年11月18日
最新回复(0)