基于长短时记忆神经网络LSTM的煤体结构识别方法

煤体结构的定量识别是煤层和煤层气等资源勘探开发中的关键性问题之一。本次研究以鄂尔多斯盆地A地区煤岩为研究对象,选取5条常规测井曲线井径CAL、自然伽马GR、声波时差AC、补偿中子CNL和密度DEN曲线,构建基于LSTM神经网络的煤体结构识别模型,实现了煤体结构的定量识别。研究表明,随着煤层被破坏程度的增大,构造煤具有DEN曲线和GR曲线值偏低,AC曲线、CNL曲线和CAL曲线值偏大的特征;LSTM网络模型参数是影响模型识别准确度的重要因素,通过多次试验得出网络训练的迭代次数、LSTM神经网络包含的隐藏单元数和数据最小分块尺寸参数的最优值分别为800、32和28;基于LSTM神经网络的煤体结构识别模型准确度达到85.5%,并且利用未参与模型构建的验证井进行可靠性的验证,认为该方法可有效识别煤体结构,基本满足实际生产的需求,对于相似地区煤体结构的识别也具有一定的借鉴意义。