[发明专利]一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法

权利要求书

1.一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法，其特征在于，包括以下步骤：

S1：叠前地震属性提取

通过对叠前三维地震数据进行超道集计算和角道集抽取处理，基于P-P波反射系数近似公式①进行地震AVO属性计算，计算得到截距属性P、梯度属性G、流体因子属性P*G、拟泊松属性P+G、横波反射系数P-G多个叠前地震属性；

R_P(θ)≈P+Gsin²θ ①

S2：叠后地震属性提取

依据叠后三维地震数据体，提取振幅、频率、衰减、几何类多个类型的地震属性，具体包括：声阻抗、最大曲率、倾角属性、甜点属性、薄层属性、瞬时加速度、瞬时振幅、瞬时频率以及瞬时Q值；

S3：地震属性的相关系数计算与初选

将井位置的叠前和叠后地震属性参数与煤层气含气量数据进行归一化处理，按照公式②计算各地震属性参数与煤层气含气量的相关系数，优选出相关系数较大的地震属性，构成初选的地震属性参数集；

其中：x_i归一化后各个属性；y为归一化后的煤层气含气量数据；

S4：地震属性的聚类分析与优选

利用Q型聚类分析法，对初选出地震属性参数集进行分类优选，优选出相关系数高且相互独立的地震属性，具体工艺为：以归一化后的几种地震属性参数集作为行向量组成矩阵r_ij，按照公式③计算出矩阵行向量之间距离系数并进行分类合并，生成聚类分析图，分别从每一类别中选取出与所求地质目标相关性最好的一种，组成作为预测模型输入的地震属性集；

其中：矢量X_i＝(x_i1，x_i2，...x_im)和矢量X_j＝(x_j1，x_j2，...x_jm)是矩阵r_ij的行向量；i，j＝1，2，3，…n；

S5：PSO-BP预测模型的构建

将BP神经网络的全部连接权值设为粒子群粒子的位置向量，并对其进行初始化，以均方误差最小作为寻优目标进行寻优，最终，将计算得到的全局最优解作为BP神经网络的权值和阈值，带入到神经网络中进行训练学习，从而完成预测构建PSO-BP预测模型，利用粒子群算法改进BP神经网络预测的流程；

S6：PSO-BP预测模型的训练与煤层气含气量预测

以井位置的优选地震属性参数集作为输入，以煤层气含气量数据作为输出训练PSO-BP模型；基于训练好的PSO-BP模型，以整个研究区域内目标煤层的优选地震属性参数集作为输入，预测研究区域内目标煤层气含气量。

2.根据权利要求1所述的一种基于PSO-BP模型和地震属性参数的煤层含气量预测方法，其特征在于，所述S5具体的工艺流程分为如下几步：

1)设置BP神经网络的基本结构、参数，包括InDim、OutDim、HiddenNum，输入学习样本，进行归一化处理；

2)粒子群参数设置：种群数目、惯性权重、最大速度、速度向量维数、设置最大迭代次数T_max，同时，初始化粒子的速度矢量和位置矢量，每个粒子由两个部分组成，分别是速度矩阵和位置矩阵；

3)按公式④确定适度函数，对个体进行评价分为两个步骤：首先，把最小适应度函数值设置为粒子的极值个体，然后，把粒子中最小的极值个体设置为全局极值，即所求问题的最优解；

4)以粒子的当前最佳位置为迭代点，进行迭代；

5)按照公式⑤、⑥更新粒子的和产生新的粒子群；

6)排除和越界的粒子，并跟新和即：或时，

7)当迭代次数达到T_max或误差满足精度要求时，停止迭代，否则转入步骤(5)；

8)迭代停止后，当前的pbest值和gbest值为全局最优解，即BP神经网络的权值和阈值，带入BP神经网络中进行训练学习。