基于遗传神经网络的煤层气含量预测

2015-04-20胡锦宏

绿色科技 2015年2期

胡锦宏

（西安石油大学地球科学与工程学院，陕西西安710065）

1 引言

煤层气含量反映了煤层的含气性，它是决定煤层气开发效果的重要参数，准确确定煤层气含量是煤层气勘探开发研究的一个关键问题。然而煤层气含量受多种地质因素共同作用的影响［1～5］，且不同地区的主控因素可能不同，这些都增加了煤层气含量预测的复杂性。煤层气含量预测法有钻孔岩心实测含气量法、煤层含气梯度法、等温吸附曲线法、测井资料预测法和现代数学法等［6～9］。测井方法因其具有较高纵向分辨率和费用低廉的特点，因此在煤层气资源的勘探开发过程中发挥了重要作用。利用测井信息预测煤层气含量的常规方法主要是基于密度测井资料和取心实测含气量作线性回归来预测煤层含气量［10］。随着开采深度的加深，地质条件的复杂，影响煤层气含量的因素越来越多，并且存在着复杂的非线性关系，传统的线性回归预测方法已不能反映它们之间的内在关系。因此，基于测井信息的非线性现代数学方法得到了越来越多的青睐。

神经网络具有很强的自适应、自组织和自学习的能力，且具有大规模并行运算的能力［11］。BP网络是当前应用最为广泛的一种人工神经网络。因其基于梯度最大下降的搜索方法，当对于较大的搜索空间时，很易陷入误差函数局部极小值点，从而影响预测精度［12］。而遗传算法是一种全局优化搜索算法，具有很强的全局搜索能力，可以有效克服BP神经网络上述缺陷。神经网络用来学习，遗传算法用来优化，利用遗传算法优化神经网络的连接权值及阈值，提高网络训练精度，建立基于GA－BP神经网络的煤层气含量测井评价的智能模型。

2 遗传神经网络

BP神经网络是即误差反向传播的多层前向神经网络，它实际上是个非线性优化问题，但极易陷入局部极小点问题，同时网络学习算法收敛速度较慢，这与初始权值的选择有关［13］。而遗传算法是模仿生物界中的“物竞天择、适者生存”演化的一种进化算法，它具有全局寻优能力和初值无关性，具有较快的收敛速度，可防止陷入局部极小点的优点，能帮助BP算法在依梯度下降方法搜索空间时，经过有限次的搜索后快速找到全局最优点。采用遗传算法优化网络初始权重，实际上是将整个网络训练分成了2部分［14］：首先采用遗传算法优化网络的初始权重，然后利用BP算法最终完成网络训练。本文为了使算法能很快地找到满意解，先用遗传算法对神经网络的初始权值进行优化，BP神经网络能准确映射出煤层气含量与各影响因素之间的非线性关系，进而预测煤层气含量。

具体煤层气含量预测流程如图1所示。

图1 GA－BP煤层气含量预测模型流程图（引自文献［15.16］）

3 基于遗传神经网络的煤层含气量预测实例分析

3.1 基于Matlab输入向量的确定

根据该研究区的地质条件构造条件，确定了煤层气含量主控影响因素，并将煤层影响因素定量化，其中主控影响因素有：煤层埋深、煤层顶板岩性、煤层底板岩性、煤层厚度和煤的变质程度。其中，煤层埋深的取值为各钻孔煤层顶板距基岩面的距离，单位为m，煤的变质程度用煤的挥发份来表示，单位为%，根据含砂率和砂质颗粒粒度的大小将煤层的顶底板岩性做定量化，将含砂率最高的中砂岩记为0，含砂率最低的泥岩记为4，粉砂岩、砂质泥岩、炭质泥岩分别记为1、2、3。根据钻井取心资料，选取其中30个钻井数据作为原始训练样本集。

3.2 基于Matlab的训练样本归一化

由于各种测井数据量纲不一致，存在奇异数据，避免神经元出现饱和，使各输入分量有同等重要地位，进入神经网络之前都需先进行归一化处理，使其数值在一定范围之内，如［－1，1］之间。归一化的目的一是为了将不同参量去量纲化和缩小数值差别，二是为了使网络快速收敛［17］。

在本次煤层气含气量预测中，归一化函数采用matlab自带的最大最小型函数（premnmx、postmnmx、tramnmx），最终执行的结果是将输入向量和目标向量的值量化到范围［－1，1］内［18］。网络输入向量和目标向量的归一化函数指令格式为：［pn，minp，maxp，tn，mint，maxt］＝premnmx（p，t）。其中，p：网络输入向量；t：目标输出向量；pn：量化后的输入向量；minp：输入向量的最小值；maxp：输入向量的最大值；tn：量化后的目标向量；mint：目标向量的最小值；maxt：目标向量的最大值。将量化后的样本来训练网络得到的网络输出也会落在［－1，1］内，可以使用函数postmnmx将输出还原成最初目标使用的单位，同样有新的样本需要量化可以使用tramnmx，指令格式为：kn＝tramnmx（k，minp，maxp）。基于 Matlab归一化后的样本数据，如表1所示。

表1 遗传－神经算法归一化后样本数据

3.3 基于Matlab的程序实现

3.3.1 确定遗传神经网络的结构

遗传神经和BP神经网络类似，它在设计前首先确定网络的结构，一般从网络的层数、每层中的神经元个数和激活函数以及学习训练速度等。本次依据研究区实际情况，为了提高运算精度和简化模型，网络结构确定为1个隐含层的3层网络模型。

3.3.2 确定遗传神经网络的各个层的节点数

输入层接受外部的输入数据，同时可对数据进行适当的归一化处理，其节点数取决于输入向量的维数。对于本网络，影响研究区煤层气含气量的因素为5个，因此，本网络的输入层节点数为5。

输出层的节点数由输出数据的类型和表示该类型所需的数据大小来决定［19］。本网络输出只有煤层气含气量，因此本网络的输出层节点数为1。

隐含层的节点数确定较为复杂，隐含层节点数太少，网络则不能训练出来，容错性差；隐含层节点数太多则会导致学习训练时间过长，网络收敛速度慢。它的确定和输入层、输出层都有一定的关系。本网络通过多次调试，发现隐含层节点数为15，此时精度满足要求。

3.3.3 训练遗传神经网络

使用软件Matlab中的神经网络工具箱newff函数创建BP训练网络，其中第一层采用S正切形神经元，即函数tansig；第二层采用线性神经元，即函数purelin，BP网络训练函数采用trainlm，训练的网络模型参数设定为：学习率为0.05，最大训练次数为2000，训练精度为0.0001。

3.3.4 遗传神经网络的遗传操作

BP网络训练函数采用遗传算法优化网络的连接权值，设定初始种群规模为30，交叉概率Pc为0.3，变异概率Pm为0.05，网络总误差为0.0001，将获得其最优个体，并将最优个体解码作为BP网络的初始权值和阈值，在此基础上进行网络学习训练。使用遗传算法的gaot工具箱，其中适应度函数为gabpEval，编解码子函数为gadecod。

训练结束后，另外选取10个钻孔取心数据作为测试样本，预测煤层气含量，并与采用相同样本集，使用标准BP神经网络预测的结果进行了对比分析，如表2所示。

表2 测试样本误差分析

通过以上计算结果对比可知，遗传神经网络煤层气含量预测值的平均相对误差为1.349%，标准BP神经网络预测值的平均相对误差为3.51%。这说明GABP神经网络的输出结果更精确、误差更小。

4 结论

基于遗传算法和BP神经网络构建新型智能算法，有效解决了BP神经网络初始权值和阈值的随机性，同时充分利用了GA的全局搜索能力和BP网络的局部搜索能力，从而增强了网络的智能搜索能力。将其引用到煤层气含气量的预测中，实验表明，组合的新型智能算法有较好的预测能力，同时在标准BP神经网络的基础上提高了预测精度，具有较好的实用性。

［1］曹军涛，赵军龙，王扶平，等.煤层气含量影响因素及预测方法［J］.西安石油大学学报：自然科学版，2013，28（4）：28～30.

［2］肖富强，桑树勋，黄华州.铁法矿区大兴井田煤储层含气量影响因素分析［J］.中国煤层气，2013，10（3）：27～29.

［3］沈丽惠，齐俊启，赵志义，等.煤层气生成及含气量控制因素［J］.河北工程大学学报：自然科学版，2010，27（1）：82～84.

［4］连承波，赵永军，渠芳，等.影响煤层含气量地质因素的定量分析［J］.特种油气藏，2008，15（3）：33～35.

［5］汪学清.保田－青山区块目的煤层含气量及其控制因素［J］.中国煤层气，2014，11（3）：8～9.

［6］杨克兵，左银卿，甘健，等.测井资料在煤层气储层评价中的应用研究［J］.中国煤层气，2011，8（2）：17～19.

［7］杨玉平，赵永军，霍凯中.沁水盆地煤层含气量预测方法探讨［J］.内蒙古石油化工，2008（2）：44～45.

［8］高绪晨，张炳，羡法.煤层工业分析、吸附等温线和含气量的测井解释［J］.测井技术，1999（2）：109～111.

［9］刘之的，赵靖舟，杨秀春，等.基于灰色关联分析和BP神经网络的煤层含气量预测研究［J］.西安石油大学学报：自然科学版，2014，29（3）：58～61.

［10］孟召平，郭彦省，张纪星.基于测井参数的煤层含气量预测模型与应用［J］.煤炭科学技术，2014，42（6）：25～28.

［11］潘昊，王晓勇，陈琼，等.基于遗传算法的BP神经网络技术的应用［J］.计算机应用，2005，25（12）：2277～2278.

［12］李伟超，宋大猛，陈斌.基于遗传算法的人工神经网络［J］.计算机工程与设计，2006，27（2）：315～317.