基于深度置信网络的煤层含气量测井解释研究

摘要

为了解决煤层含气量定量解释问题,将煤层测井数据与煤心解吸数据作为输入和输出参数,构建深度置信网络(DBN),进而预测煤层含气量.研究以甘肃合水地区测井数据为例,筛选出该地区120组煤层样品作为DBN样本分析数据.选择短源距自然伽马、自然伽马、密度、长源距自然伽马和浅侧向5条测井曲线,作为DBN的输入参数,煤层气含量作为DBN的输出参数,研究RBM数量和隐藏神经元数量对计算结果的影响.并通过概率统计法、BPNN、DBN和SVM计算了30组煤层的煤层气含量,比较不同方法的预测效果.结果表明:①受限玻尔兹曼机(RBM)对DBN计算结果的精度有一定的影响,RBM数量达到7层时,预测结果准确性更高;②选择合适的隐藏层神经元数量,可以保证计算结果的精度和稳定性,神经元数量为20时,预测结果精度更高,稳定性更好;③RBM使得DBN的准确性高于BPNN,此外,DBN的计算准确性和稳定性高于概率统计法和SVM.