多源测井数据预测煤层工业组分和发热量模型研究

doi:10.11720/wtyht.2024.2553

摘要
图/表
参考文献
相关文章
Metrics

全文: PDF(4262 KB) HTML
输出: BibTeX | EndNote (RIS)

摘要

煤层工业组分和发热量是评价煤质的基本依据,利用测井资料预测煤层工业组分和发热量可以弥补煤芯样试验分析的不足。利用宁夏某井田详查、勘探等不同阶段的数字测井和煤质化验数据,在研究煤质特征、测井响应特征和统计分析的基础上,建立了测井响应特征提取、样本集建立和数据处理方法与深度神经网络模型,通过对测试数据的预测结果和试验分析结果对比,验证了预测模型有效性。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	余永鹏
	张广兵
	黄自军
	闫建波
	王嘉文
	杨彦成
	毛兴军

关键词 ：多源数据, 地球物理测井, 煤炭, 工业组分, 发热量, 预测模型

Abstract：

The industrial components and calorific values of coal seams serve as an important basis for the evaluation of coal quality, and the prediction of them based on log data allows for overcoming the deficiency in the experimental analysis of coal core samples. This study collected data from digital logs and coal quality analysis at different stages (e.g., detailed survey and exploration) of a coal field in Ningxia. Based on the investigation of the coal quality and log responses, as well as statistical analysis, this study developed the methods for extracting log response characteristics, establishing sample sets, and processing data and established a deep neural network-based prediction model. Then, it confirmed the validity of the prediction model by comparing the predicted results of testing data with the results from the experimental analysis.

Key words： multi-source data geophysical logging coal industrial component calorific value prediction model

收稿日期: 2022-11-08 修回日期: 2023-01-08 出版日期: 2024-02-20

ZTFLH:

P631

基金资助:宁夏自然科学基金项目(2021AAC03459);宁夏自然科学基金项目(2021AAC03462);宁夏自然科学基金项目(2022AAC05063)

通讯作者: 张广兵(1988-),男,工程师,主要从事煤田地面电法和煤田测井工作。Email:262454161@qq.com

作者简介: 余永鹏(1987-),男,工程师,2008年毕业于中国地质大学(武汉),主要从事地球物理和地质信息化工作。Email:yyp0527@126.com

引用本文:

余永鹏, 张广兵, 黄自军, 闫建波, 王嘉文, 杨彦成, 毛兴军. 多源测井数据预测煤层工业组分和发热量模型研究[J]. 物探与化探, 2024, 48(1): 185-193.
YU Yong-Peng, ZHANG Guang-Bing, HUANG Zi-Jun, YAN Jian-Bo, WANG Jia-Wen, YANG Yan-Cheng, MAO Xing-Jun. A prediction model of the industrial components and calorific values of coal seams based on multi-source log data. Geophysical and Geochemical Exploration, 2024, 48(1): 185-193.

链接本文:

https://www.wutanyuhuatan.com/CN/10.11720/wtyht.2024.2553 或 https://www.wutanyuhuatan.com/CN/Y2024/V48/I1/185

Fig.1 研究区可采煤层煤质特征

Fig.2 研究区煤质数据线性相关性

Fig.3 研究区煤层测井响应特征

Fig.4 研究区典型测井曲线幅值频率直方对比

测井方法	自然伽马/API		短源距人工伽马/CPS		长源距人工伽马/CPS		三侧向视电阻率/(Ω·m)
对比内容	$最小值最大值$	$均值方差$	$最小值最大值$	$均值方差$	$最小值最大值$	$均值方差$	$最小值最大值$	$均值方差$
详查阶段	$3.97 23.32$	$10.05 2.66$	$1358419100$	$17109.20 1038.68$	$4356 10424.70$	$9169.26 680.22$	$2.70 7.19$	$4.97 0.60$
勘探阶段	$3.56 18.68$	$10.08 2.03$	$31869226$	$8094.60 733.03$	$60438679$	$7266.61 524.10$	$3.25 7.85$	$5.14 0.82$

Table 1 研究区典型测井曲线幅值特征统计

Table 2 样本集样本数量统计

Fig.5 研究区测井归一化数据与煤的工业组分和发热量线性相关系数热度

Fig.6 深度神经网络结构

Table 3 深度神经网络主要配置参数

Table 4 煤层A_d、V_daf预测多元线性回归模型

Fig.7 测试集样本预测结果与煤芯样试验分析结果对比

煤质参数	样品分析结果 ( $最大值 - 最小值平均值$ )	预测结果 ( $最大值 - 最小值平均值$ )	均方根误差/%	平均绝对误差/%	平均相对误差/%	备注
M_ad/%	$15.60 - 4.48 9.89$	$14.48 - 5.02 9.53$	2.14	1.62	18.34
A_d/%	$17.49 - 3.76 8.60$	$15.04 - 5.36 9.09$	3.06	2.41	26.89	分步预测
A_d/%	$17.49 - 3.76 8.60$	$19.02.21 - 4.85 8.60$	3.61	2.62	29.55
FC_d/%	$69.05 - 47.38 57.44$	$64.51 - 47.76 56.94$	3.66	2.88	5.08
V_daf/%	$39.16 - 27.14 32.92$	$36.71 - 30.68 33.39$	2.90	2.30	6.89	分步预测
V_daf/%	$39.16 - 27.14 32.92$	$39.08 - 28.29 33.40$	3.42	2.58	7.78
Q_gr,d/(MJ·kg^-1)	$31.70 - 25.91 28.96$	$30.78 - 26.78 28.73$	1.18	0.90	3.14

Table 5 测试集中预测结果与样品分析结果对比误差

[1]	杨孟达. 煤矿地质学[M]. 北京: 煤炭工业出版社, 2000.
[1]	Yang M D. Coal mining geology[M]. Beijing: China Coal Industry Publishing House, 2000.
[2]	杨东根, 范宜仁, 邓少贵, 等. 利用测井资料评价煤层煤质及含气量的方法研究——以和顺地区为例[J]. 勘探地球物理进展, 2010, 33(4):262-265,227.
[2]	Yang D G, Fan Y R, Deng S G, et al. Logging evaluation for coal quality and gas content:A case study in Heshun region[J]. Progress in Exploration Geophysics, 2010, 33(4):262-265,227.
[3]	钱玉萍, 张国华. 煤层工业组分的测井评价方法研究及应用[J]. 海洋石油, 2021, 41(3):48-51,71.
[3]	Qian Y P, Zhang G H. Research and application of logging evaluation method for industrial components of coalbed[J]. Offshore Oil, 2021, 41(3):48-51,71.
[4]	孟召平, 朱绍军, 贾立龙, 等. 煤工业分析指标与测井参数的相关性及其模型[J]. 煤田地质与勘探, 2011, 39(2):1-6.
[4]	Meng Z P, Zhu S J, Jia L L, et al. Relationship between approximate analysis of coal and log parameters and its models[J]. Coal Geology & Exploration, 2011, 39(2):1-6.
[5]	邵先杰, 孙玉波, 孙景民, 等. 煤岩参数测井解释方法——以韩城矿区为例[J]. 石油勘探与开发, 2013, 40(5):559-565.
[5]	Shao X J, Sun Y B, Sun J M, et al. Logging interpretation of coal petrologic parameters:A case study of Hancheng Mining Area[J]. Petroleum Exploration and Development, 2013, 40(5):559-565.
[6]	潘和平, 黄智辉. 煤层煤质参数测井解释模型[J]. 现代地质, 1998, 12(3):447-451.
[6]	Pan H P, Huang Z H. Log interpretation model of determining coalbed coal quality parameters[J]. Geoscience, 1998, 12(3):447-451. doi: 10.3390/geosciences12120447
[7]	刘同庆. 煤质工业分析测井解释及三维建模研究[J]. 煤炭技术, 2021, 40(9):71-75.
[7]	Liu T Q. Study on well logging interpretation and 3D modeling for coal quality industry analysis[J]. Coal Technology, 2021, 40(9):71-75.
[8]	高鉴东, 傅雪海, 刘爱华, 等. 沁水盆地和顺15#煤层煤质参数的测井响应预测[J]. 西安科技大学学报, 2015, 35(1):50-55.
[8]	Gao J D, Fu X H, Liu A H, et al. Logging response prediction of 15# coalbed coal quality parameters in Heshun area Qingshui Basin[J]. Journal of Xi’an University of Science and Technology, 2015, 35(1):50-55.
[9]	吴蒙, 秦云虎, 王晓青, 等. 任家庄煤矿煤层煤质测井响应及其预测模型[J]. 吉林大学学报:地球科学版, 2022, 52(2):633-643.
[9]	Wu M, Qin Y H, Wang X Q, et al. Log response of coal quality and its prediction model in Renjiazhuang Coal Mine[J]. Journal of Jilin University:Earth Science Edition, 2022, 52(2):633-643.
[10]	王安龙, 孙小琴, 谢学恒, 等. 利用测井资料计算煤层含气量及工业组分方法研究[J]. 油气藏评价与开发, 2011, 1(s1):69-73.
[10]	Wang A L, Sun X Q, Xie X H, et al. The method of calculating gas content and industrial components of coalbed by using well logging data[J]. Reservoir Evaluation and Development, 2011, 1(s1):69-73.
[11]	潘和平, 刘国强. 应用BP神经网络预测煤质参数及含气量[J]. 地球科学, 1997, 22(2):210-214.
[11]	Pan H P, Liu G Q. Applying back-propagation artificial Neural Networks to predict coal quality parameters and coalbed gas content[J]. Earth Science, 1997, 22(2):210-214.
[12]	陈钢花, 董维武. 遗传神经网络在煤质测井评价中的应用[J]. 测井技术, 2011, 35(2):171-175.
[12]	Chen G H, Dong W W. Application of genetic neural network to coal quality evaluation based on log data[J]. Well Logging Technology, 2011, 35(2):171-175.
[13]	朱吉昌. 测井曲线小波分析方法的改进及其在地层对比中的应用[D]. 北京: 中国地质大学(北京), 2016.
[13]	Zhu J C. Improvement of wavelet transform for well log curve and application to stratigraphic correlation[D]. Beijing: China University of Geosciences (Beijing), 2016.
[14]	陈世达. 黔西多煤层煤层气储渗机制及合层开发技术对策[D]. 北京: 中国地质大学(北京), 2020.
[14]	Chen S D. Permeable-storage mechanism and the development technical countermeasures for coalbed methane in multi-seams in Western Guizhou[D]. Beijing: China University of Geosciences (Beijing), 2020.
[15]	覃瑞东, 潘和平, 郭博, 等. 基于Hilbert-Huang变换的测井曲线自动分层方法[J]. 地质科技情报, 2017, 36(2):258-264.
[15]	Qin R D, Pan H P, Guo B, et al. Automatic stratification of well logging curves with Hilbert-Huang Transform[J]. Geological Science and Technology Information, 2017, 36(2):258-264.
[16]	滕俊. 利用成像测井资料提高常规测井薄层分辨率的方法研究[D]. 荆州: 长江大学, 2014.
[16]	Teng J. Method study on using imaging logging data to improve the conventional logging resolution in thin layers share[D]. Jingzhou: Yangtze University, 2014.
[17]	王欣, 潘雨舟. 薄层电阻率的测井响应校正方法研究[J]. 油气藏评价与开发, 2015, 5(4):55-57.
[17]	Wang X, Pan Y Z. Research on log response correction method of sheet resistivity[J]. Reservoir Evaluation and Development, 2015, 5(4):55-57.
[18]	张兴涛, 王艳, 李伟峰. 测井数据井眼干扰误差校正方法[J]. 延安大学学报:自然科学版, 2015, 34(2):39-41.
[18]	Zhang X T, Wang Y, Li W F. Correction method of borehole interference error in logging data[J]. Journal of Yanan University:Natural Science Edition, 2015, 34(2):39-41.
[19]	田志杰. 测井资料环境校正、标准化处理程序设计与实现[D]. 北京: 中国地质大学(北京), 2006.
[19]	Tian Z J. Design and implementation of environmental correction and standardization processing program for logging data[D]. Beijing: China University of Geosciences(Beijing), 2006.
[20]	吴国培, 张莹莹, 张博文, 等. 基于深度学习的中心回线瞬变电磁全区视电阻率计算[J]. 物探与化探, 2021, 45(3):750-757.
[20]	Wu G P, Zhang Y Y, Zhang B W, et al. The calculation of full-region apparent resistivity of central loop TEM based on deep learning[J]. Geophysical and Geochemical Exploration, 2021, 45(3):750-757.
[21]	王蓉, 熊杰, 刘倩, 等. 基于深度神经网络的重力异常反演[J]. 物探与化探, 2022, 46(2):451-458.
[21]	Wang R, Xiong J, Liu Q, et al. Inversion of gravity anomalies based on a deep neural network[J]. Geophysical and Geochemical Exploration, 2022, 46(2):451-458.
[22]	周楚天, 刘攀. 基于深度神经网络的水文频率分析[J]. 水文, 2022, 42(6):1-6.
[22]	Zhou C T, Liu P. Hydrological frequency analysis based on deep neural networks[J]. Journal of China Hydrology, 2022, 42(6):1-6.
[23]	Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786):504-507. doi: 10.1126/science.1127647 pmid: 16873662
[24]	余凯, 贾磊, 陈雨强, 等. 深度学习的昨天、今天和明天[J]. 计算机研究与发展, 2013, 50(9):1799-1804.
[24]	Yu K, Jia L, Chen Y Q, et al. Deep learning:Yesterday,today,and tomorrow[J]. Journal of Computer Research and Development, 2013, 50(9):1799-1804.
[25]	孙志军, 薛磊, 许阳明, 等. 深度学习研究综述[J]. 计算机应用研究, 2012, 29(8):2806-2810.
[25]	Sun Z J, Xue L, Xu Y M, et al. Overview of deep learning[J]. Application Research of Computers, 2012, 29(8):2806-2810.
[26]	周永章, 王俊, 左仁广, 等. 地质领域机器学习、深度学习及实现语言[J]. 岩石学报, 2018, 34(11):3173-3178.
[26]	Zhou Y Z, Wang J, Zuo R G, et al. Machine learning,deep learning and Python language in field of geology[J]. Acta Petrologica Sinica, 2018, 34(11):3173-3178.

[1]	杨朝义, 朱乾坤, 揭绍鹏, 孔垂爱, 沙有财, 钟志勇, 沈啟武, 陈志军, 马火林. 云南普朗铜矿井孔测井资料综合应用[J]. 物探与化探, 2023, 47(1): 14-21.
[2]	汪文刚, 李凯. 基于GOCAD软件的多源地质勘探数据接口开发[J]. 物探与化探, 2022, 46(6): 1534-1539.
[3]	赵筱媛, 杨忠芳, 程惠怡, 马旭东, 王珏, 李志坤, 王琛, 李明辉, 雷风华. 四川邻水县华蓥山—西槽土壤Cu地球化学特征与生态健康[J]. 物探与化探, 2022, 46(1): 238-249.
[4]	余永鹏, 闫照涛, 毛兴军, 杨彦成, 马永祥, 黄鹏程, 陆爱国, 张广兵. 巨厚新生界覆盖区煤炭勘查中的电震综合方法应用[J]. 物探与化探, 2021, 45(5): 1231-1238.
[5]	郭建宏, 杜婷, 张占松, 肖航, 秦瑞宝, 余杰, 王灿. 基于支持向量机与地球物理测井资料的煤体结构识别方法[J]. 物探与化探, 2021, 45(3): 768-777.
[6]	郭建宏, 张占松, 张超谟, 周雪晴, 肖航, 秦瑞宝, 余杰. 用地球物理测井资料预测煤层气含量——基于斜率关联度—随机森林方法的工作案例[J]. 物探与化探, 2021, 45(1): 18-28.
[7]	郭建宏, 张占松, 张超谟, 陈芷若, 张鹏浩, 汤潇, 秦瑞宝, 余杰. 基于灰色系统与测井方法的煤层气含量预测及应用[J]. 物探与化探, 2020, 44(5): 1190-1200.
[8]	周大鹏, 王祝文, 李晓春. GRNN与LS-SVM方法在计算煤质工业组分中的应用[J]. 物探与化探, 2016, 40(1): 88-92.
[9]	刘永亮, 孙海川, 鲁国防. 综合物探在平山湖地区煤炭勘查中的应用[J]. 物探与化探, 2015, 39(4): 738-742.
[10]	康占军, 黄国成, 刘军保, 杨海翔. 浙江省常山岩前钨矿找矿模型的建立及其应用[J]. 物探与化探, 2013, 37(5): 811-816.
[11]	鲍世才, 马彪. 地球物理测井在岩盐矿勘探中的应用[J]. 物探与化探, 2013, 37(3): 449-452.
[12]	何辉, 薛典军, 王林飞, 骆遥, 田嵩. 航空物探空间数据显示平台设计[J]. 物探与化探, 2012, 36(4): 669-673.
[13]	张应文, 王亮, 杨胜发. 黔北煤田测井中煤层的沉积序列编号解释对比方法及应用[J]. 物探与化探, 2011, 35(3): 340-344.
[14]	李惠, 张国义, 高延龙, 赵宗勤, 李德亮, 禹斌, 邵建波, 郭朝彦. 小秦岭金矿集中区深部第二富集带预测的构造叠加晕模型[J]. 物探与化探, 2008, 32(5): 525-528.
[15]	张应文, 王亮, 王班友, 朱洪毅, 龙秀洪. 煤田测井中煤层的定性及定厚解释技术应用[J]. 物探与化探, 2008, 32(1): 49-52.

Viewed

Full text

Abstract

Cited

Shared

Discussed