资源描述：
第3 7 卷第4 期中国矿业大学学报 V 0 1 ．3 7N o ．4 2 0 0 8 年7 月 J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g yJ u l ．2 0 0 8 煤层含气量预测的B P 神经网络模型与应用 孟召平，田永东，雷呖 中国矿业大学资源与地球科学系，北京1 0 0 0 8 3 摘要为了对煤层含气量进行定量预测，采用B P 神经网络预测方法，建立了煤层含气量预测的 B P 神经网络模型．以沁水盆地南部主采煤层为对象，分析得出了影响沁水盆地南部煤层含气量 分布的主要控制因素有煤层有效埋藏深度、煤变质程度和煤岩、煤质特征等，选择了煤层有效埋 藏深度、水分与灰分以及镜质组最大反射率3 参数作为B P 神经网络模型的基本特征量，建立了 煤层含气量与这些因素之间的相关关系和B P 神经网络预测模型，对煤层舍气量进行预测分析． 结果表明B P 神经网络模型具有极强的非线性逼近能力，能真实反映煤层含气量与主控因素之 间的非线性关系，预测结果与实测值之间误差小，相对误差小于1 0 ％，预测效果明显地优于基于 朗格缪尔方程的煤层含气量预测模型． 关键词煤层气；含气量；B P 神经网络模型 中图分类号P6 1 8 ．1 1文献标识码A文章编号1 0 0 0 一1 9 6 4 2 0 0 8 0 4 一0 4 5 6 0 6 P r e d i c t i o nM o d e l so fC o a lB e dG a sC o n t e n tB a s e do n B PN e u r a lN e t w o r k sa n dI t sA p p l i c a t i o n s M E N GZ h a o _ p i n g ，T I A NY o n g d o n g ，L E IY a n g D e p a r t m e n to fR e s o u r c e sa n dG e o s c i e n c e ，C h i n aU n i 、，e r s i t yo fM i n i n g T e c h n o l o g y ， B e i j i n g1 0 0 0 8 3 ，C h i n a A b s t r a c t I no r d e rt op r e d i c tc o a lb e dg a sc o n t e n tq u a n t i t a t i v e l y ，aB Pn e u r a ln e t w o r k sm o d e l w a se s t a b l i s h e du s i n gaB Pn e u r a ln e t w o r k sp r e d i c t i o nm e t h o d ．B a s e do nt h ep r i m a r ym i n e a b l e c o a lb e di nt h es o u t h e r nQ i n s h u ib a s i n ，t h em a i nc o n t r o l l i n gf a c t o r s ， i n c l u d i n gt h ee f f e c t i v e b u r i e dd e p t ho fc o a ls e a m ，t h em e t a m o r p h i cd e g r e eo fc o a l ，t h ec o a lr o c ka n dt h ec o a lq u a l i t y t h a ta f f e c tt h ed i s t r i b u t i o no f c o a lb e dg a sc o n t e n tw e r ea n a l y z e d ． T a k i n gt h ee f f e c t i v eb u r i e d d e p t h ．o fc o a ls e a m ，m o i s t u r ea n da s h ，m a x i m a lr e f l e c t a n c em e a nv a l u eo fv i t r i n i t ea st h eb a s i c c h a r a c t e r i s t i cq u a n t i t yo fB Pn e u r a ln e t w o r k sm o d e l s ，t h ec o r r e l a t i o nb e t w e e nt h eg a sc o n t e n t o ft h ec o a ls e a ma n dt h ef a c t o r sa n dt h eB Pn e u r a ln e t w o r k sp r e d i c t i o nm o d e lw e r ep r o p o s e df o r p r e d i c t i o no ft h ec o a lb e dg a sc o n t e n t ．T h er e s u l t ss h o wt h a tt h eB Pn e u r a ln e t w o r k sm o d e lh a s s t r o n ga b 订i t yf o rn o n l i n e a ra p p r o a c hw h i c hc a na c t u a l l yr e f l e c t t h en o n l i n e a rr e l a t i o n s h i pb e t w e e nt h ec o a lb e dg a sc o n t e n ta n dm a i nc o n t r o l l i n gf a c t o r s ．T h es m a l le r r o r so fl e s st h a n10 ％ b e t w e e nt h ep r e d i c t i o nv a l u e sa n dm e a s u r e dv a l u e sw e r ea c h i e v e d ，w h i c hi so b V i o u s l ys u p e r i o r t ot h a tw i t ht h eL a n g m u i re q u a t i o n ． K e yw o r d s c o a lb e dg a s ；g a sc o n t e n t ；B Pn e u r a ln e t w o r k sm o d e l 收稿日期2 0 0 7 1 0 一1 3 基金项目国家自然科学基金项目 4 0 7 7 2 1 0 0 ；国家重点基础研究发展计划 9 7 3 项目 2 0 0 7 c B z 0 9 4 0 5 ；全国优秀博士学位论文作者 专项资金项目 2 0 0 2 4 7 ；高等学校博士学科点专项科研基金项目 2 0 0 5 0 2 9 0 0 0 9 ；教育部留学回国人员科研启动基金项目 作者简介孟召平 1 9 6 3 一 ，男，湖南省泪罗市人，教授，博士生导师，工学博士，从事矿井工程地质和煤油气地质方面的研究． E ．啦I l m z p c u m t b ．e d u ．c nT e l l1 3 6 5 1 0 7 3 1 9 0 万方数据 第4 期孟召平等煤层含气量预测的B P 神经网络模型与应用4 5 7 煤层含气量是煤层气储层评价的重要参数，如 何采取切实可行的方法对煤层含气量进行预测一 直受到国内外学者的关注[ 1 。9 ] ．以往对煤层含气量 评价与预测的主要方法有钻孔岩芯实测含气量 法[ 6 ] 、煤层含气梯度法[ 2 ’5 ] 如基于朗格缪尔方程的 煤层含气量预测方法 和地质统计分析法[ 3 ] 等．钻 孔岩芯实测含气量法适用于在探明的煤炭储量范 围内有一定数量的钻孔煤芯含气量实测值．煤层含 气梯度法主要适用于同一构造单元中的深部预测 区或不同构造单元中基本地质条件相近的预测区， 其应用的理论基础是含气性主要受控于煤层埋藏 深度，是目前深部煤层含气性预测采用的主要方 法．传统的地质统计分析预测方法是利用有代表性 的样本数据进行回归分析，确定出煤层含气量分布 模型，并以此来预测未采掘区的煤层含气量．由于 1 回归分析受到模型选择、校验水平确定、方程组 的病态、原始数据异常值等因素影响，使回归模型 常常不切实际，预测误差偏大，达不到预期效果； 2 由于煤层含气量受多种地质因素影响，它们之 间关系复杂，存在着复杂的非线性关系，有些甚至 是随机的，模糊的，利用传统的方法难以表达它们 之间的内在关系口- 1 1 ] ．而人工神经网络方法具有极 强的非线性逼近能力，能真实刻画出输入变量与输 出变量之间的非线性关系[ 12 。1 5 ] ．为此，本文在前人 研究的基础上，以沁水盆地南部主采煤层为依托， 从影响沁水盆地南部煤层含气量分布的主要地质 因素人手，采用B P 人工神经网络预测方法，建立 煤层含气量预测的B P 网络模型，对煤层含气量进 行预测，试图探索一条煤层含气量预测的新途径． 1 沁水盆地南部煤层含气量分布主控因素 煤层含气量的分布主要受煤层的生气条件、储 气条件和保存条件所控制，所有影响这些条件的因 素都影响着煤层含气量的分布，包括地质构造、煤 层顶底板岩性、煤岩、煤质、煤变质程度、埋藏深度 和水文地质条件等因素，在一定范围内造成煤层含 气量分布差异的主要因素有煤层有效埋藏深度、 煤变质程度和煤岩、煤质特征等，这些资料丰富且 容易获取，具有普遍意义，基于这些参数利用B P 神经网络模型可以对煤层含气量进行定量预测． 1 ．1 煤层有效埋藏深度 煤层埋藏是煤化作用进展的根本条件，对煤层 气的生成和保存自始至终起着至关重要的影响．不 同地质时期和不同地区煤层埋深存在一定的差异， 这种差异性决定了煤层气生成和保存条件存在显 著不同．自印支期以来，本区构造分异显著，地壳经 历了数次抬升与沉降，造成差异性沉积和差异性剥 蚀，煤化作用过程中产生的大量气体能否得到很好 的保存，还有赖于构造分异作用导致的煤层有效埋 藏深度，郎主采煤层顶板到新生界基底之间的厚度 的变化．有效埋藏深度增大，煤层气的保存能力不 断增强，含气量也随之增加．三叠纪末以后，本区抬 升剥蚀作用有可能降低了煤层含气量．主采煤层顶 板到新生界基底之间的厚度反映了不整合面形成 后残存的盖层厚度，也反映了煤层有效埋藏深度． 该不整合面在含煤地层抬升遭受剥蚀期间控制了 煤层气自然释放的幅度． 沁水盆地南部主采煤层实测煤层气含量资料 统计表明，煤层含气量随有效埋藏深度增大而增高 图1 ，整体呈正相关关系，这反映出煤层距不整 合面越近，自然脱气程度越高，同时也说明，抬升剥 蚀作用破坏了本区煤层气的保存条件． ， ■ E ≤ 删 扩 缸 Ⅱl { 蝼 有效埋藏深度／m 图1煤层含气量与有效埋深关系 F i g ．1R e l a t i o n s h i pb e t w e e nc o a lb e dg a sc o n t e n t a n de f f e c t i v eb u r i e dd e p t h 1 ．2煤变质程度 煤变质程度关系到煤层的生气量以及煤储层 特性等问题．煤的挥发分产率和镜质组最大反射率 是反映煤化作用的有效指标，其中又以镜质组最大 反射率应用效果最好．镜质组最大反射率作为衡量 煤化程度的最好标志，能直接地反映有机质的生烃 过程．沁水盆地实测主采煤层镜质组最大反射率 R 。。一1 ．9 6 ％～4 ．2 5 ％，平均R 。。一2 ．9 9 ％．实测 含气量资料统计表明，尽管研究区煤层含气量与镜 质组最大反射率之间离散性较大，但从图2 中明显 看出，煤层含气量随镜质组最大反射率的增大而增 高的规律，整体也呈正相关关系． e 2 5 ’2 0 蔷1 5 扩1 0 怒s 万方数据 4 5 8中国矿业大学学报第3 7 卷 1 ．3 煤岩、煤质特征 煤岩、煤质差异主要是通过其生气条件和吸附 性能的不同影响煤层含气量的不同，同样关系到煤 层的生气量以及煤储层特性等问题，不同成因类型 的煤中灰分产率及有机质含量存在差异．煤中水分 灰分作为衡量煤质的重要参数，煤的灰分产率和 有机质含量直接受控于煤岩类型L 2 j ，富矿物暗煤灰 分产率高，其次为矿物充填的丝炭，再次为亮煤，镜 煤的灰分产率最低． 沁水盆地南部主采煤层实测水分 灰分资料 统计表明，煤层含气量随水分 灰分的增大而降低 图3 ，整体呈负相关关系，这反映出煤层中水分 灰分的增加对煤层含气性是不利的，同时也说明 煤层煤质对煤层含气性的控制作用． 根据上面的分析，我们选择了煤层有效埋藏深 度、水分 灰分和镜质组最大反射率3 个因素作为 煤层含气量预测的基本特征量对煤层含气量进行 预测． f 、2 5 ’2 0 谪1 5 扩l O 怒s 媾0 水分 灰分／％ 图3 煤层含气量与水分 灰分关系 F i g ．3R e l a t i o n s h i pb e t w e e nc o a lb e dg a s c o n t e n ta n dt h em o i s t u r ea n da s h 2 神经网络模型结构的确定 人工神经网络 a r t i f i c i a ln e u r a ln e t w o r k 是由 人工神经元 简称神经元 互联组成的网络，在理论 上可以任意逼近任何非线性映射．根据网络中神经 元的连接方式的不同，将人工神经网络分为分层网 络和相互连接型网络两大类，目前应用较广的是分 层网络，根据实际输出和期望输出之差，对网络的 各层连接权由后向前逐层进行误差校正的多层前 馈网络，简称B P 神经网络．该算法所采用的学习 过程由正向传播和反向传播两部分组成．在正向传 播过程中，输入模式从输入层经隐含层逐层处理并 传向输出层，如果输出层不是期望的输出，则误差 信号从输出层向输入层传播，即反向传播，在反向 传播过程中调整个层间连接权及各层神经元的偏 置值，以便误差逐渐减小[ 9 12 | ．因此，该方法的实质 是求误差函数的最小值，它通过多个样本的反复训 练，将多个已知样本训练得到的各层连接权及各层 神经元的偏置值等信息作为知识保存，以便对未训 练样本值进行预测，计算过程如图4 所示．B P 神经 网络模型具有自学习、自组织、强容错性、计算简 单、并行处理速度快等优点，因此应用最为广泛． ． 图4B P 神经网络计算流程 ．F i g ．4C o m p u t a t i o n a lf l o wd i a g r a m o ft h eB Pn e u r a ln e t w o r k 合理的选取影响煤层含气量的主控因素，对准 确建立神经网络模型起关键性的作用．根据前面的 分析将煤层有效埋藏深度、水分 灰分、镜质组最 大反射率3 个影响因素作为神经网络模型的输入， 确定出输入端点个数为3 ．对于隐含层节点数即神 经元数目的选取并没有通用的理论，只有一些经验 公式．K o m o g o r o v 理论证明一个具有n 个节点输 入层，2 咒 1 个节点的隐层和m 个输出节点的输出 层的3 层B P 网络，可以精确地表达任一个连续函 数．目前大量的研究也表明，当输入节点为竹个时， 选择隐层节点为2 咒 1 个，所确定的单隐层B P 网 络能准确反映实际情况，并能保证网络精度． 隐含层神经元个数并不是固定的，需要经过实 际训练的检验来不断调整．根据以上的分析，该模 型采用3 层B P 网络，由于输入神经元有3 个，因 此，这里为中间层神经元个数设为7 ，由此确定出 B P 结构为3 7 一1 ．具体的结构如图5 所示． 输入层隐含层 输出层 图5B P 神经网络模型拓扑 F i g ．5T o p o l o g i c a lg r a p ho fB Pn e u r a ln e t w o r k sm o d e l 万方数据 第4 期 孟召平等煤层含气量预测的B P 神经网络模型与应用4 5 9 将煤层有效埋藏深度、水分 灰分、镜质组最 大反射率3 个因素值作为神经网络的输入，以煤层 含气量作为神经网络的输出建立预测建模，即输入 参数向量X 一 X ，，X z ，⋯，X 。i 。。。捌。。 1 ‘中 n i n p u t n o d e s 3 表示输入节点数，输出参数向量 中l ， y 1 ，y 2 ，⋯，y 。。u I p 咖o e d 。。 1 中价o u t p u t n o e d e s 1 即煤层含气量一维变量．在进入人工神经网络 训练之前为了消除主控因素不同量纲的数据对网 络训练和预测结果的影响，需要对数据进行归一化 处理，以提高网络训练的效率和精度． 对于数值型的学习样本以及输出数据利用式 1 进 行归一化处理，每个节点的输出值为O ～1 ． x ；一缝 1 式中X 。。，X 。X 7 i 分别为原始样本数据组的最 大值、最小值和实测值． 3B P 神经网络模型及其预测 神经网络模型对于给定的映射关系的模拟，通 过学习训练后才能完成．网络进行训练时，首先要 提供一组训练样本，其中的每个样本由输入与目标 输出所组成．如果提供的样本足够多，而且有很强 的代表性，网络会通过自组织自适应的能力，找出 主控因素与评价指标之间的非线性关系．把样本序 列划分为训练集和测试集，训练集用于网络训练， 使网络按照学习算法调节结构参数，直到满足要 求；测试集则是用于评价已训练好的网络的性能是 否达到我们的目的，最终得到满意的预测模型． 表1 为沁水盆地南部主采煤层训练样本集，其 中前3 项为学习样本中的输入因子，输出因子为实 测煤层含气量，在3 5 个数据点中，其中2 9 个数据 作为训练样本，对网络进行训练，6 个数据作为测 试样本． 衮1B P 神经网络模型训练样本集及预测误差统计 T a b l e1 T r a i n i n gs 枷p I es e to fB PN e u r a IN e t w o r k sm o d e la n di t sp r e d i c t i o ne r r o r 样本编号煤鼍翳藏水分 灰分／％篙警荡实掣鬻慧彰怒鼍嚣7 绝对误差／m 相对误差／％ 13 2 1 ．7 21 3 ．8 4 4 ．0 6 1 0 ．5 3 1 0 ．8 40 ．3 12 ．9 4 25 1 7 ．6 01 1 ．O O1 ．9 69 ．3 99 ．5 5O ．1 61 ．6 9 35 0 7 ．5 04 2 ．3 42 ．1 44 ．0 54 ．0 8O ．0 3O ．7 6 45 1 1 ．6 0 2 6 ．4 12 ．0 41 1 ．3 91 1 ．4 0O ．0 1O ．0 9 54 7 1 ．8 51 3 ．0 52 ．9 91 9 ．6 3 1 9 ．3 9 一O ．2 4 1 - 2 5 65 8 8 ．3 31 4 ．4 73 ．3 41 3 ．6 41 3 ．6 0O ．0 4一O ．2 6 74 7 0 ．0 51 1 ．3 12 ．2 44 ．9 25 ．O OO ．0 81 ．5 8 8 5 7 0 ．2 51 5 ．3 33 ．6 11 6 ．0 71 6 ．1 9O ．1 2O ．7 2 95 4 2 ．0 01 4 ．1 82 ．7 51 0 ．5 3 1 0 ．5 6 O ．0 30 ．2 6 1 06 9 0 ．4 01 5 ．1 13 ．0 31 1 ．5 71 1 ．6 2O ．0 50 ．4 7 1 13 3 4 ．9 01 5 ．2 93 ．5 41 2 ．7 41 2 ．8 70 ．1 30 ．9 8 1 24 7 5 ．9 51 2 ．6 62 ．0 77 ．0 86 ．8 20 ．2 63 ．7 2 1 35 1 2 ．2 01 3 ．0 53 ．2 01 1 ．5 3 1 1 ．4 7 一O ．0 6一O ．5 2 1 44 9 5 ．6 02 0 ．4 23 ．2 91 2 ．7 41 2 ．7 10 ．0 3一O ．2 3 1 54 8 6 ．1 01 4 ．2 53 ．1 61 1 ．O O1 1 ．1 5O ．1 51 ．3 3 1 6 4 8 3 ．O O 1 4 ．9 43 ．3 31 3 ．5 81 3 ．5 00 ．0 8 一O ．5 6 1 7 5 0 5 ．8 01 3 ．6 13 ．3 81 7 ．4 01 7 ．5 0 0 ．1 0O ．5 6 * 1 85 5 1 ．1 01 7 ．3 13 ．2 01 4 ．8 41 2 ．4 12 ．4 31 6 ．3 7 * 1 94 8 3 ．8 01 8 ．2 03 ．1 91 3 ．2 31 1 ．8 8一1 ．3 5～1 0 ．2 3 * 2 0 5 0 3 ．4 0 2 4 ．4 93 ．1 89 ．1 48 ．3 2 一O ．8 2 8 ．9 5 2 16 3 1 ．3 02 0 ．1 12 ．1 11 1 ．2 11 1 ．0 9一O ．1 21 ．0 9 2 26 2 1 ．3 01 9 ．1 12 ．2 67 ．2 37 ．3 8O ．1 52 ．1 2 2 36 2 9 ．O O3 0 ．8 92 ．1 31 1 ．3 01 1 ．3 1O ．0 1O ．0 9 2 46 8 8 ．7 31 8 ．4 0 3 ．5 1 1 2 ．7 81 2 ．7 7一O ．0 1 0 ．1 2 2 56 6 3 ．3 51 4 ．3 23 ．9 91 5 ．1 91 5 ．1 4一O ．0 5一O ．3 1 2 66 3 5 ．7 01 4 ．1 32 ．7 61 8 ．6 21 8 ．5 8一O ．0 4一O ．1 9 2 77 9 5 ．4 01 5 ．3 53 ．1 71 3 ．2 91 3 ．3 0O ．0 1O ．1 0 2 86 7 9 ．8 01 8 ．5 23 ．2 11 6 ．8 21 6 ．7 7一O ．0 5一O ．2 9 2 96 1 2 ．7 02 0 ．2 53 ．2 41 4 ．4 91 4 ．4 60 ．0 3一O ．2 2 3 05 9 7 ．1 01 8 ．7 63 ．2 09 ．0 69 ．1 1O ．0 5O ．5 5 3 15 9 6 ．3 01 7 ．5 53 ．2 81 3 ．2 91 3 ．3 1O ．0 2O ．1 5 3 26 3 6 ．1 01 3 ．1 43 ．0 87 ．1 1 7 ．1 20 ．0 1O ．1 6 * 3 36 6 8 ．9 01 1 ．3 63 ．2 11 1 ．9 81 0 ．8 11 ．1 79 ．8 0 * 3 45 9 7 ．3 01 0 ．8 23 ．3 21 5 ．4 7】6 ．4 91 ．0 26 ．6 1 * 3 56 1 9 ．6 02 2 ．1 03 ．1 69 ．9 49 ．1 6 一O ．7 8 7 ．8 9 * 为测试样本． 万方数据 4 6 0 中国矿业大学学报 第3 7 卷 在训练前，对于数值型的学习样本以及输出数 据利用式 1 进行归一化处理，每个节点的输出值 为O ～1 ．经过迭代使网络训练误差收敛．输入层与 隐含层间的权系数和隐含层与输出层间的权系数 如表2 所示． 表2 B P 神经网络模型的各主控因素系数 T a b I e2 C 雌f f i c i e n to fm a i nc 仰t r 0 I l i n gf a c t o 噶b a s e d o nB Pn e u r a In e t w O r l ‘sm o d e l 输入层到隐含层结点的权重 篙嚣磊萝署水分 灰分，％徽阈值 一1 ．0 6 93 8 ．5 9 56 3 ．2 8 54 O ．6 4 77 8 ．9 5 85 5 ．0 2 81 1 1 ．3 1 51 3 ．3 3 48 4 ．0 4 52 ～6 ．9 3 93 0 ．7 7 03 1 6 ．0 5 30 3 。7 8 74 1 6 ．2 9 93 6 ，1 9 57 一O ．8 4 53 1 6 ．1 3 69 3 ．4 2 74 1 6 ．0 8 24 2 ．1 7 62 5 ．2 8 78 4 ．9 8 04 9 ．0 4 23 5 ．8 8 83 1 ．0 8 59 1 ．5 6 18 1 ．9 0 73 1 ．9 3 16 隐含层到输出层结点的权重阈值 为了进一步检验模型预测结果的可靠性，对已 知的2 9 组样本进行学习，用已知的6 组样本 1 8 ， 1 9 ，2 0 ，3 3 ，3 4 和3 5 作为测试样本．利用建立的B P 人工神经网络模型对沁水盆地南部主采煤层含气 量进行预测分析和检验，并与基于朗格缪尔方程的 煤层含气量预测模型所得的结果进行比较 图6 ． 从图6 可以看出根据研究区煤层含气量的主控 因素建立的B P 神经网络模型，在一定的学习条件 下，B P 神经网络模型预测煤层含气量与实测值基 本吻合；B P 人工神经网络模型预测效果明显地比 基于朗格缪尔方程的煤层含气量预测模型要好． 测试样本编号 图6 煤层含气量预测值与实测值对比 F i g ．6C o m p a r i s o nb e t w e e np r e d i c t i v ev a l u ea n d m e a s u r e dv a l u eo fc o a lb e dg a sc o n t e n t 4 结论 1 煤层含气量的分布主要受煤层的生气条 件、储气条件和保存条件所控制，影响煤层含气量 的因素很复杂，但在一定范围内造成煤层含气量分 布差异的主要因素有煤层有效埋藏深度、煤变质 程度和煤岩、煤质特征等，这些资料丰富且容易获 取，具有普遍意义． 2 由于煤层含气量与其影响因素之间存在着 复杂的非线性关系，有些甚至是随机的，模糊的，完 全用传统的数学方法难以处理，而人工神经网络具 有极强的非线性逼近能力，能真实刻画出输入变量 与输出变量之间的非线性关系． 3 选择了煤层有效埋藏深度、水分 灰分和 镜质组最大反射率3 个参数作为B P 人工神经网 络模型的基本特征量，对煤层含气量进行预测．预 测结果与实测值之间误差小，相对误差一般小于 1 0 ％，且预测效果明显地优于基于朗格缪尔方程的 煤层含气量预测模型． 4 基于煤层有效埋藏深度、水分 灰分和镜 质组最大反射率3 参数的B P 神经网络模型，在煤 层气含量预测中具有好的应用效果．在煤储层评价 中可以作为煤层气含量预测的一种新方法，并在煤 层气勘探实践中得到推广应用． 参考文献 [ 1 ] 鲍卫仁，常丽萍，谢克昌．煤层甲烷含气量预测的研 究现状[ J ] ．太原理工大学学报，2 0 0 0 ，3 l 3 2 6 7 2 7 0 ． B A OW e i r e n ，C H A N GL i - p i n g ，X I EK e - c h a n g ． P r e s e n tr e s e a r c ho fe s t i m a t i n ge t h a n es t o r a g ei nc o a L _ b e d [ J ] ．J o u r n a lo fT a i y u a nU n i v e r s i t y ＆T e c h n o l o g y ，2 0 0 0 ，3 1 3 2 6 7 2 7 0 ． [ 2 ] 秦勇，刘焕杰，桑树勋，等．山西南部上古生界煤 层含气性研究推定区煤层含气性评价[ J ] ．煤田地 质与勘探，1 9 9 7 ，2 5 4 2 5 3 0 ． Q I NY o n g ，L I UH u a n - j i e ，S A N GS h u x u n ，e ta 1 ． T h es t u d i e so ng a sb e a r i n gc h a r a c t e r i s t i c so ft h eu p p e rP a l e o z o i cc o a ls e a m si nt h es o u t h e r ns h a n x i g a s b e a r i n gc h a r a c t e r i s t i c so fc o a ls e a m se v a l u a t i o ni ni n d i c a t e da r e a [ J ] ．c o a lG e o l o g y E x p l o r a t i o n ，1 9 9 7 ， 2 5 4 2 5 3 0 ． [ 3 ] 李贵红，张鸿，崔永君，等．基于多元逐步回归分 析的煤储层含气量预测模型[ J ] ．煤田地质与勘探， 2 0 0 5 ，3 3 3 2 2 2 5 ． L 1G u i - h o n g ，Z H A N GH o n g ，C U IY o n g - j u n ，e ta 1 ． A p r e d i c t i v em o d e Io fg a sc o n t e n ti nc o a lr e s e r v o i r s b a s e do nm u l t i p l es t e p w i s er e g r e s s i o na n a l y s i s [ J ] ． C o a lG e o l o g y ＆E x p l o r a t i o n ，2 0 0 5 。3 3 3 2 2 2 5 ． [ 4 ] 孟召平．焦作矿区二。煤储层特征评价[ J ] ．中国矿 业大学学报，1 9 9 8 ，2 7 2 1 6 2 1 6 6 ． M E N G Z h a 0 _ p i n g ．A s s e s s m e n to f Ⅱ1c o a ls e a mr e s 一 占n ，o i ri nJ i a o z u om i n i n ga r e 8 口] ．J o u r n a lo fc h i n au n i v e r s i t yo fM i n i n g8 LT e c h n o l o g y ，1 9 9 8 ，2 7 2 万方数据 第4 期孟召平等煤层含气量预测的B P 神经网络模型与应用4 6 1 1 6 2 一1 6 6 ． [ 5 ] 陈春琳，林大杨．等温吸附曲线方法在煤层气可采 资源量估算中的应用[ J ] ．中国矿业大学学报，2 0 0 5 ， 3 4 5 6 7 9 6 8 2 ． C H E NC h u 矿l i n ，L I ND a y a n g ． A p p l i c a t i o no fi s o t h e 咖a lc u r v e si ne s t i m a t i n gm i n a b l er e s o u r c eo fc o a l b e dm e t h a n e [ J ] ．J o u r n a lo fc h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y ，2 0 0 5 ，3 4 5 6 7 9 6 8 2 ． [ 6 ] 王宏图，鲜学福，杜云贵，等．煤矿深部开采煤层气 含量计算的解析法[ J ] ．中国矿业大学学报，2 0 0 2 ， 3 1 4 3 6 7 3 6 9 ． W A N GH o n g - t u ，X I A NX u e - f u ，D UY u n ．g u i ，e ta 1 ． A n a l y t i cm e t h o do fc a l c u l a t i n gg a sc o n t e n ti nc o a l s e a m si nd e e pm i n i n g [ J ] ．J o u r n a lo fc h i n aU n i v e r s i t y o fM i n i n g T e c h n o l o g y ，2 0 0 2 ，3 1 4 3 6 7 3 6 9 ． [ 7 ]B U S T I N A N DRM ，C L A R K S O NCR ．G e o l o g i c a l c o n t r o I so nc o a lb e dm e t h a n er e s e r v o i rc a p a c i t ya n d g a sc o n t e n t [ J ] ． I n t e r n a t i o n a lJ o u r n a lo fC o a lG e o l o g y ，1 9 9 8 ，3 8 1 ／2 3 2 6 ． [ 8 ] S C o T TAR ．H y d r o g e o l o g i cf a c t o r sa f f e c t i n gg a s c o n t e n td i s t r i b u t i o ni nc o a lb e d s [ J ] ．I n t e r n a t i o n a I J o u m a lo fC o a lG e o l o g y ，2 0 0 2 ，5 0 1 ／4 3 6 3 3 8 7 ． [ 9 ] 李静，李小彦，杨利军，等．煤层含气量预测方法 [ J ] ．煤田地质与勘探，1 9 9 8 ，2 6 2 3 1 3 3 ． L IJ i n g ，L IX i a o - y a n ，Y A N GL i j u n ，e ta 1 ．T h ep r p d i c t i o nm e t h o do fc o a lb e dg a s [ J ] ． c o a lG e o l o g y ＆ E x p l o r a t i o n ，1 9 9 8 ，2 6 2 3 1 3 3 ． [ 1 0 ] 郝吉生，袁崇孚．模糊神经网络技术在煤与瓦斯突 出预测中的应用[ J ] ．煤炭学报，1 9 9 9 ，2 4 6 6 2 4 6 2 7 ． H A 0J i - s h e n g ，Y U A NC h o n g - f u ．T h ea p p l y i n go f f u z z yn e t w o r kt e c h n i q u e si np r e d i c t i o no f c o a Ia n d g a so u t b u r s t s [ J ] ．J o u r n a lo fC h i I l ac o a lS o c i e t y ， 1 9 9 9 ，2 4 6 6 2 4 6 2 7 ． [ 1 1 ] 王生全
展开阅读全文
