第42卷第03期2023年03月煤炭技术CoalTechnologyVol.42No.03Mar.2023doi:10.13301/j.cnki.ct.2023.03.0260引言煤层气是一种与煤伴生、共生的气体资源，在我国煤层气的储量位居世界第3。近年来，随着勘探技术的不断发展，国内外对于煤层气的勘探研究也逐步深入，其中，煤层气的含量由于在很大程度上决定了煤层气的产能，一直是煤层气勘探的重点。其中，最为常用的预测煤层含气量的方法就是由J·M·Hawkins等学者于1992年提出的Langmuir方程，其核心思想是通过找出煤组分和Langmuir参数之间的映射关系，构建出一种数学模型来计算煤层含气量，其本质是一种较为简单的多元回归的处理方式。随着计算机运算能力的不断提高，机器学习在各领域的兴起解决了大量的回归问题并获得了较以往的简单模型更好的效果。煤层气勘探领域的学者们将机器学习的方法引入煤层含气量预测中来，其中使用最多的方法有支持向量机、回归树等。但是，利用机器学习构建预测模型时，测井参数的选取对于机器学习的预测研究有较大影响，难以满足煤层勘探对于煤层含气量预测的高精度需求。深度学习是在机器学习的基础上，通过建立较多层的神经网络来解决回归、分类等问题，由于其常具有成百上千个连续的表示层，在处理大规模数据时比仅有1、2基于浅层神经网络的准南煤田煤层气含量预测胡永1，罗聪2，王博3，胡振鹏1，刘子强1，仲劼1，刘蒙蒙1（1.新疆煤田地质局一五六煤田地质勘探队，乌鲁木齐834022；2.新疆工程学院矿业工程与地质学院，乌鲁木齐834023；3.新疆维吾尔自治区煤炭煤层气测试研究所，乌鲁木齐830009）摘要：煤层含气量是决定产能的重要因素，因此对含气量的预测是煤层气勘探领域的重点。利用煤层中含气量的不同导致煤层地球物理性质所产生的差异，优选出井深、自然伽马、电阻率、密度、中子孔隙度、声波时差等测井曲线，采用浅层神经网络对测井数据与含气量实验室检测数据开展研究，并与机器学习的研究结果进行了对比。研究发现，使用浅层神经网络法利用上述测井曲线可以对煤层含气量进行较为精准的预测，其相关系数可达0.91，准确度明显超过支持向量机、回归树等机器学习方法。研究结果对使用测井曲线准确预测煤层含气量，指导后续的煤层气开发工作具有较好的实际意义。关键词：煤层气；测井；浅层神经网络；机器学习中图分类号：P631.81;P618.13文献标志码：A文章编号：1008－8725（2023）03－138－05PredictionofCoalbedMethaneContentinZhunnanCoalfieldBasedonShall...
