陈亚萍

(兰州资源环境职业技术大学，甘肃 兰州 730000)

我国自然资源十分丰富。在不同的评价机构对山体资源量进行探测评估后，发现了多种类型的自然资源，如煤炭资源和煤气资源等。对矿山的开发离不开煤层预测技术，美国等发达国家，由于工业革命起步较早，在煤层勘测和开发上拥有较为成熟的技术，通过多年的勘探和开发，已经建立了中低阶层煤层的理论系统，利用三维勘查技术和时移地震技术，进行煤层厚度的预测，在产业化和技术发展方面均居于世界前列。对于煤炭资源的开发利用，必须牢牢依靠各种地质预测技术，包括山体裂缝预测和地质反演技术，以及地质应力测试技术等[1]。

在煤系地层结构内包含了多种特征，以上下围岩为例，在预测过程中呈现的响应有所不同，表现为四高和四小的特点。为保证在复杂地质内开展开采工作，必须首先进行煤层厚度的预测。褶积模型可以通过地震反演方法，进行地质的递进推断，完成不同层级结构内地质的勘查。本文以此为基础研究，基于褶积模型的复杂地质下煤层厚度预测技术，为煤层的预测提供更准确的理论方法，保证煤炭资源的安全和合理开发。

1 基于褶积模型的复杂地质下煤层厚度预测技术

1.1 基于褶积模型反射系数反演推断地质地层

对于复杂地质下煤层区域的勘查，需要在进行厚度预测时，划分煤层厚度主控因素，通过已有的地质和井测资料进行分析。对待预测地区的构造和形态，以及煤层埋藏情况进行统计，初步总结区域煤层的主控条件，通过分析得出的不同影响因素。

此次预测方法的设计，主要依靠褶积模型，在其地震反演原理下进行多次验算，以满足数据的精确度要求。在递推反演过程中，可以根据初始波阻抗，进行递推关系的设置，完成各层级波阻抗数值的计算。以地震波原理引入地震反射系数计算方式，其中a表示层级的数量，每个层级内均含有一个反射系数s和波阻抗d，即第a层的反射系数为sa，对应的波阻抗为da，递推表达式为：

(1)

(2)

(3)

式中：初始给定的波阻抗用df来表示。

在推导变化过程中能够得到，地层之间的波阻抗递推公式，向下演进的计算方式为公式(2)，向上演进的递推计算公式为(3)。在递推反演过程中，主要核心内容为地层的反射系数，以及初始波阻抗值的引入，可直接在资料中给定，若没有具体资料可以由经验工作者人为拟定[2]。

经过褶积模型反演推断而得出的数据结果，需要进行多次计算从而预测出煤层厚度，以线性堆积网络层级的方式，建立数据预测模型，在不同的网络层结构内进行数据的推导和预测。线性堆积的过程即数据获取的过程，在反射系数产生的瞬间，直接利用机器学习技术收集产生数据，并根据历史获取的数据进行对比[3]。

1.2 线性堆叠网络层结构预测煤层厚度

在初始煤层厚度采集时，需要按照独立分布原则，进行放射系数的数据组合，将新产生的反射系数作为训练集合Q。其中，Q={q1,q2,…,qn}。常规情况下，对一次反演过程产生的数据，数量设置不会超过80组，即n≤80。测试集的数据来源于历史的反演数据，形成集合E，其中R={r1,r2,…,rt}，测试数据的组数为反演数据的二分之一，即t≤40。在两组集合设置完毕后，可以进行网络层结构的滑动计算，通过滑动窗口设置，在序列步长设置为2，滑动窗口设置为1的条件下进行数据样本的组合对比，具体如图1所示[4]。

图1 数据组合对比过程

根据图1中内容所示，在对两组数据组合排列过程中，增加了回归元素的设置，通过两两数据组合方式，在工作探测面和工作面方向进行排序[5]。

将组合完毕的数据集合，直接放入至LAST预测模型内，在线性堆积网络层结构内，以默认的神经元个数进行激活，通过不低于20次的反复训练，完成反射系数组合数据的计算和排序，得出工作探测面的实际煤层厚度。至此，通过划分复杂地质下煤层厚度主控因素，基于褶积模型反演地质推断地层反射系数，设置线性堆叠网络层结构预测煤层厚度，完成基于褶积模型的复杂地质下煤层厚度预测技术设计

2 实验测试与分析

为验证此次设计的预测技术具有应用效果，能够在复杂地质下进行煤层厚度预测，采用实验测试的方式进行论证。选取某省6煤层矿区为对象，选择宽缓的褶皱结构形态区域，勘查区内育有1级褶曲。

此次实验主要目的为验证不同方法下，对煤层厚度的预测精度对比，实验开始前选择两组传统预测方法作为对照。利用VOLUME软件进行属性提取，以 20 ms 时窗分析地震属性。通过矿区的井口坐标划分钻井数据，共包含8组信息资料，具体如表1所示。

表1 测试矿区内地震属性值与煤层厚度数据

根据表1中内容所示，此次选择的提取窗口数据中的地震属性，共含有3个类别，分别对应出该煤层的厚度数值。分别将数据导入至MATLAB测试平台中，运用本文方法和两组传统方法进行预测，具体步骤如下：

1)褶积模型预测法：将类属于地震属性的数据值导入值褶积模型内，通过有效波段的反射，进行地震数据记录，以此获取反射系数完成地震反演推断。根据反演推断的结果进行数据对比，得出煤层的具体厚度。

2)线性回归预测法：通过归一化处理原则，完成回归参数的初次和二次设定，从而预测出煤层厚度。

3)神经网络预测法：建立神经网络模型，以煤层厚度为输出目标进行学习，设置最小平均方程为0.002，最大训练次数为500组，将8组样本数据作学习输入条件，得到预测煤层厚度值。

分别将三组方法的预测过程和方式进行设定，在同样的测试条件下进行多轮预测，取预测的平均值绘制成表。其中三组方法的预测时间均为 30 s，表内包含预测值和绝对误差值。

在本文方法下预测得出的煤层厚度，与实际数据基本相同，在8组测试对象中的绝对误差不高于0.02，能够较为准确地完成煤层厚度的预测。而两组传统方法中，绝对误差均超过了1.10，其中线性回归预测的数值较实际大，神经网络预测数据较实际数值小。综合实验结果可知：本文方法能够在褶积模型的反复地震推演中，对隶属地震属性的参数值进行组合对比，最终完成复杂地质下的煤层厚度预测，具有实际应用效果。

3 结束语

本文以褶积模型为基础，重新设计了复杂地质下煤层厚度的预测方法，为矿山的实际开采提供了理论支持。结果表明：在本文方法应用下，产生的厚度预测值绝对误差不超过0.02，具有实际应用效果。但由于测试过程中选择的井口数量较少，所得结果具有一定偏差性。后续研究中会在反复测试下进行数据演示，为更准确提供预测方法作出理论支持，保证矿山开采具备精准的数据资料。