瓦斯的富集与突出是煤矿生产的主要灾害之一，有效地预测瓦斯突出危险区，是煤矿安全生产的首要任务。在不考虑地应力及地应力产生的构造情况下，影响瓦斯突出的两个重要因素分别是:瓦斯含量和盖层(煤体及顶板)脆弱性。煤矿生产单位总结发现，在瓦斯含量达到一定指数时，构造煤与煤层顶板砂岩带是瓦斯突出的主要位置。

对于瓦斯突出预测，前人也做了一定的研究，张许良等[1]利用数学地质技术，建立了瓦斯含量预测模型，对煤层未采区域瓦斯含量及涌出量进行了预测;乔美英等[2]提出了一种基于加权LS-SVM的瓦斯预测方法，实现了在线动态预测;姚军朋等[3]结合地球物理测井，提出了利用孔隙结构指数作为定量识别构造煤的指标;同时，任川等[4]考虑了AVO效应，在声波阻抗反演的基础上，利用弹性波阻抗反演来预测构造煤，将构造煤解释为瓦斯富集与突出的目标区;彭刘亚等[5]提出煤体结构破坏指示因子的概念，并利用岩性地震反演方法对指示因子进行反演，从而实现划分煤体结构的目的，将煤体结构脆弱区判断为瓦斯突出危险区;管永伟等[6]探讨了煤层冲刷带与煤层瓦斯突出的相关关系，发现煤层冲刷带过渡区瓦斯突出危险性最大;魏文希等[7]基于拟声波反演方法研究了煤层顶底板岩性识别方法，认为砂岩是瓦斯突出的危险区。但是这些工作并没有从煤与瓦斯突出角度提出一套可靠的预测技术，所以笔者基于瓦斯突出所应具备的两个主要条件，提出了一种煤与瓦斯的综合预测方法。

研究区位于山西省某矿区，在煤矿开发与回采过程中煤与瓦斯突出事故频发，针对研究区现存问题，结合三维地震勘探、钻孔及测井资料对目的煤层瓦斯含量、构造煤发育情况和煤层顶板岩性做了综合预测，并以此为基础圈定瓦斯易突出区域。

1　瓦斯突出岩石物理特征

不同的瓦斯含量、岩性及煤体结构等在密度、电阻率、自然伽马等测井曲线上表现出不同的响应特征。根据岩石物性参数的变化可以对瓦斯含量及岩性变化进行预测。

1.1　地层不同瓦斯含量物性特征

瓦斯的生成、运移及赋存受多种地质因素控制，且无直接的线性相关关系。一般情况下，煤层厚度越大、变质程度越大，越有利于煤层瓦斯的生成;瓦斯的运移及赋存与地质构造及围岩的孔隙直接相关;随着地层埋深的增加，瓦斯压力增大，煤中的吸附瓦斯趋于饱和，因此，在一定深度范围内，随着地层埋深的增大瓦斯含量增加。

1.2　煤体结构物性参数

煤体在构造应力作用下发生破坏形成构造煤，煤体结构的破坏会直接导致岩石物理参数的改变，利用这种物性参数的变化可以有效识别构造煤的发育情况。经前人研究，通常按煤体破坏程度将煤层划分为原生煤I、原生煤II、构造煤I和构造煤II，具体的物性参数[4]见表1。

表1　不同煤体结构物性参数
Table 1　Structural parameters of different coal structures

通过分析研究区电阻率测井曲线，发现煤层段电阻率相比于围岩(砂、泥岩)增大，而随着煤体破坏程度的增加，电阻率值减小;从表1可以看出，煤体发生破坏后密度与纵波速度也随之减小。结合这种特征，运用某种计算关系，可以实现煤体结构的判别。

1.3　不同岩性地层物性参数

煤系地层的主要岩层包括砂岩、泥岩和煤层，经过对研究区测井曲线统计分析及相关文章进行研究[8]，得到表2不同岩性的物性参数。

表2　不同岩性物性参数
Table 2　Different lithological properties

从表2可以看出，煤层密度降低，与围岩区分明显;砂岩与泥岩的密度相差很小，难以区分;自然伽马曲线对于砂岩、泥岩和煤的区分明显。所以，恰当地应用自然伽马曲线可以达到区分砂泥岩的目的。

2　瓦斯含量预测

瓦斯的产生与富集受多种因素的影响[9-10]，如煤层厚度、煤体结构、顶板岩性及煤层埋深，同时瓦斯的富集会使得密度、电阻率、自然伽马测井曲线发生变化，基于此，笔者将这7个主要影响因素作为分析目标，利用基于遗传算法-支持向量机(GA-SVM)的模型对研究区瓦斯含量进行预测。

2.1　GA-SVM的工作方法

支持向量机是一种基于统计学及误差最小理论的预测方法，其预测模型具有许多参数，参数的改变对于模型的训练影响巨大，参数的优选是进行下一步工作的基础[11-12]。文章采用传统遗传算法对核函数及惩罚参数进行优选。

GA-SVM的工作步骤[13]:① 对变量进行归一化处理，使得所有变量达到相同的影响系数，由于本次参与计算的所有变量都是正数，故归一化区间为[0,1];② 寻找最佳参数，利用遗传算法优选参与向量机训练的各种参数;③ 利用SVM对所有变量进行训练，建立预测模型;④ 对变量做反归一化处理，还原真实数值，采用交叉检验方法，对模型预测精度进行评价;⑤ 利用建立好的满足预测要求的模型，对目标进行预测。

2.2　目的煤层瓦斯含量预测

本文研究的目标煤层为15号煤层，处于勘探阶段，尚未开采，区内只有一个瓦斯含量测试点。但是3号煤层(15号上方)邻区处于巷道布设阶段，且具有钻孔瓦斯含量测试值，所以采用3号煤层数据作为训练样本，具体参数见表3。

表3　瓦斯含量影响因素
Table 3　Factors affecting gas content

注:顶板岩性中，0为砂岩、0.5为泥岩;煤体结构中，0代表块状、1代表粉末状。

采用上述GA-SVM网络对已知样本进行训练，建立预测模型，确定最佳参数，使用交叉检验的方法，应用任意19组数据参与训练，对另外1组数据进行预测，输出瓦斯含量预测值，得到如图1所示的瓦斯预测值与实测值对比曲线，可以发现预测数据与实际数据基本吻合且具有一致的变化趋势。

将预测结果与实际数据做对比分析，从图2预测误差检验中可以看出，预测与实测数据相关性达到了0.914，说明了该预测模型对于该研究区的目的煤层具有较高的精度，可以对瓦斯含量进行有效预测。

利用建立好的模型，根据研究区已知测井曲线、钻孔等资料，提取上述主要影响参数，对目的煤层瓦斯含量进行预测，得到如图3所示的研究区瓦斯含量等值线图。可以看出，大部分区域瓦斯含量在17～18m3/t范围内，图中红色区域为高瓦斯含量区，瓦斯含量超过了20 m3/t，是预测瓦斯突出的焦点区域。

根据矿方提供的瓦斯含量测试点数据(未参与训练)，如图3中右上角标记，此处实测瓦斯含量为17.2m3/t，预测值在17.0～17.5 m3/t，满足了预测误差要求。

3　构造煤预测

煤体结构发生破坏，会表现出低密度、低电阻率的特征，而且随着煤体破坏程度的增加，密度与电阻率会随之降低。所以，沿煤层的密度值、电阻率值可以作为构造煤的指示因子，并且两者随煤体破坏的变化规律一致，本文综合利用密度与电阻率曲线，按照一定的关系构造孔隙度曲线作为构造煤的判别因子:

(1)

式中，Rt为真实电阻率值;ρobs为真实密度值;ρw为地层水密度(取定值1.09g/cm3);ρh为碳氢化合物密度(主要为煤层气，取定值0.1g/cm3);ρma为围岩密度(取定值2.65g/cm3);Rw为地层水电阻率(取定值0.04 ·m)。

3.1　概率神经网络(PNN)反演

由以上公式，计算得到每个钻孔位置的孔隙度曲线，这里利用概率神经网络方法，结合已知点处孔隙度值，向外推测得到研究区全区的孔隙度数据体。

概率神经网络是一种描述非线性关系的方法，具有学习速度快、分类准确及容错性好的特点[14-16]。概率神经网络算法的工作流程如图4所示。

第1步，对输入的数据进行归一化处理，设样本数量为m，每一样本含有n个数据，则归一化样本为

Am×n=Bm×1·[1　1　…　1]1×nXm×n

(2)

式中，为归一化系数;Xm×n为样本矩阵。

第2步，求取输入点Cn与训练点Am×n之间的距离(j[1,m]):

(3)

概率神经网络算法，是一个前馈算法，训练的过程就是寻找使得距离D达到最小的匹配参数σ的过程。

第3步，计算输出目标值:

(4)

通过上述3个主要步骤，就可以取得预测点的目标值，将目标值与实际数据做对比，就可以分析与测试神经网络的预测准确性。

3.2　孔隙度预测

研究区共有钻孔10个，按照式(1)计算得到研究区目的煤层构造煤的判别因子，并将此孔隙度曲线作为PNN反演的目标曲线。

首先，结合叠后波阻抗数据体，从原始叠加地震数据中提取参与训练的最佳地震属性，采用step-wise(误差最小)方法，如图5所示为误差分析，可见随着地震属性个数的增加，整体的平均误差逐渐减小;但是检验误差在属性个数为6时达到最小值，之后再随着属性个数的增加，检验误差增大，所以优选出6个地震属性来参与神经网络的训练，分别是:声波阻抗倒数、(35/40～45/50)Hz带通分量、(15/20～25/30)Hz带通分量、主频、导数及瞬时相位。

然后，采用概率神经网络方法，对目标曲线即孔隙度进行训练和预测，图6为15号煤层的孔隙度沿层切片，图中紫色区域孔隙度较大，红色区域孔隙度较小。

基于对研究区附近煤体的测试分析结果，当总孔隙度大于0.135时发育为构造煤，由于计算中使用了英尺长度单位，故将孔隙度值大于0.45的区域(黑线圈出区域)解释为构造煤发育区域。研究区内2个钻孔具有取芯资料，钻孔w8煤层取芯完整，煤体结构较好，钻孔w10煤体破碎，未能得到取芯，说明其为构造煤。2个钻孔揭示与预测结果对应较好。

4　煤层顶板岩性预测

常规波阻抗反演是根据波阻抗差异来区分岩性，而此次研究区目的煤层顶板大部分为泥岩，出现局部砂岩冲刷带，由于砂岩、泥岩不存在明显的波阻抗差异，所以使用常规的波阻抗反演难以实现区分砂岩、泥岩的地质任务[17-18]。

从对不同岩性的测井曲线分析可知，密度、电阻率曲线在砂岩和泥岩地层的变化很小，而自然伽马曲线对砂岩、泥岩的反映更加敏感。所以，本文通过对自然伽马曲线进行处理，得到具有与密度曲线相同值域的自然伽马拟密度曲线，在此基础上采用常规基于模型的波阻抗反演，实现目的煤层顶板岩性的预测。

4.1　测井曲线的处理

研究区共有钻孔10个，测井曲线齐全，首先将10条测井曲线通过选取标准井的方法进行标准化;其次利用式(5)将自然伽马曲线的值域范围调整到密度范围，取权重参数a=1，偏移参数b=1.5，获得拟密度曲线，图7为w5井处理后曲线，拟密度曲线与密度曲线具有相同的值域，且拟密度曲线可以明显区分砂岩、泥岩和煤层。

K=aGR+b

(5)

式中，K为拟密度值;GR为自然伽马曲线值。

4.2　岩性反演

基于模型的波阻抗反演就是利用测井曲线资料，通过人工合成地震记录完成精细的井震标定，获得准确的时深关系，从而建立初始波阻抗模型。通过反演分析不断修改子波或初始模型，直到获得满意的反演结果，基于模型的波阻抗反演流程如图8所示。

根据处理后得到的拟密度曲线，按照反演流程，经过参数调整，得到最终的反演结果，此次采用的反演参数见表4。

从得到的反演数据体中沿着目的煤层顶界面提取沿层切片，如图9所示，为15号目的煤层顶板岩性平面分布，由于自然伽马值在泥岩处变大，所以反演得到的波阻抗值较小处为砂岩，将图中紫色及蓝色(波阻抗值低于6000)区域判别为砂岩。根据钻孔柱状，15号煤层顶板w5为泥岩、w7为砂岩、w9为泥质砂岩，均与预测结果对应。

5　综合预测

为了实现准确圈定突出危险区，需将3个预测结果进行有效叠合。

首先，把孔隙度及顶板波阻抗值做归一化处理，同时将归一化后的波阻抗值按式(6)进行运算，这样就可以使得砂岩与构造煤发育区域均为大值，所以按照坐标通过式(7)将2个数值对应相加，得到如图10所示盖层岩性脆弱性指标W。

P1=1-P

(6)

W=P1+φ

(7)

式中，P1是为了实现同类影响因素相加而构建的波阻抗值;P为经归一化的拟密度波阻抗值;φ为经归一化的孔隙度值。

其次，提取岩性脆弱性指标大于1.3的区域，将提取结果叠合在瓦斯含量图之上,如图11所示。

最后，将具备瓦斯突出两个条件的区域圈出，如图11所示，得到a,b,c和d四个瓦斯突出危险区，其中a和b为“高危”瓦斯突出区。

在勘探区内北部掘进了一条东西向的巷道，在掘进过程中，图11标记处发生了瓦斯突出，正位于圈定危险区a内。经与实际突出位置作验证，发现突出位置瓦斯含量较高、构造煤发育，但是顶板岩性为泥岩，所以对于此研究区，如果只利用预测顶板岩性的方法来圈定瓦斯突出危险区，不能使得该突出位置被有效预测，所以综合预测方法，可以有效提高预测准确性。

6　结　　论

(1)从瓦斯突出应具备的条件出发，建立了一套包含瓦斯含量、构造煤分布及顶板岩性预测的瓦斯突出综合预测方法，较单一变量预测方法准确性有显著提高。

(2)基于煤层厚度、煤体结构、顶板岩性、煤层埋深及密度、电阻率、自然伽马测井曲线这7种瓦斯含量主要影响因素，利用GA-SVM瓦斯含量预测方法，可以有效预测瓦斯含量。

(3)煤层孔隙度可以作为构造煤的判别因子，根据概率神经网络，融合多种地震属性(包含常规波阻抗反演结果)，对孔隙度进行反演，把孔隙度值大于0.45的区域解释为构造煤。

(4)基于自然伽马对泥质含量敏感的特性，利用自然伽马曲线进行拟密度反演，可以有效区分目的煤层顶板砂泥岩。

参考文献(References):

[1]　张许良,单菊萍,彭苏萍.瓦斯含量及涌出量预测的数学地质技术与方法[J].煤炭学报,2009,34(3):350-354.

ZHANG Xuliang,SHAN Juping,PENG Suping.Mathematical geology technique and method for prediction of gas content and emission[J].Journal of China Coal Society,2009,34(3):350-354.

[2]　乔美英,马小平,兰建义,等.基于加权LS-SVM时间序列短期瓦斯预测研究[J].采矿与安全工程学报,2011,28(2):310-314.

QIAO Meiying,MA Xiaoping,LAN Jianyi,et al.Time series short-term gas prediction based on weighted LS-SVM[J].Journal of Mining & Safety Engineering,2011,28(2):310-314.

[3]　姚军朋,司马立强,张玉贵.构造煤地球物理测井定量判识研究[J].煤炭学报,2011,36(S1):94-98.

YAO Junpeng,SIMA Liqiang,ZHANG Yugui.Quantitative identification of deformed coals by geophysical logging[J].Journal of China Coal Society,2011,36(S1):94-98.

[4]　任川,潘冬明,彭刘亚,等.利用弹性波阻抗反演预测构造煤发育[J].煤田地质与勘探,2014,42(3):92-95.

REN Chuan,PAN Dongming,PENG Liuya,et al.Prediction of tectonic coal development using elastic impedance inversion[J].Coal Geology & Exploration,2014,42(3):92-95.

[5]　彭刘亚,崔若飞,任川,等.利用岩性地震反演信息划分煤体结构[J].煤炭学报,2013,38(S2):410-415.

PENG Liuya,CUI Ruofei,REN Chuan,et al.Classification of coal body structure using seismic lithology inversion information[J].Journal of China Coal Society,2013,38(S2):410-415.

[6]　管永伟,陈同俊,崔若飞,等.煤层冲刷带地震响应特征及其与煤层瓦斯突出的相关性分析[J].地球物理学进展,2016,31(1):191-197.

GUAN Yongwei,CHEN Tongjun,CUI Ruofei,et al.Analysis of seismic response and correlation with coal seam gas outburst in the coal seam scouring zone[J].Progress in Geophysics,2016,31(1):191-197.

[7]　魏文希,师素珍,孙超,等.拟声波反演技术在识别煤层顶底板砂泥岩中的应用[J].物探与化探,2016,40(1):220-224.

WEI Wenxi,SHI Suzhen,SUN Chao,et al.Application of pseudo-acoustic inversion technique in identifying sandstone and mudstone of coal seam roof and floor[J].Geophysical and Geochemical Exploration,2016,40(1):220-224.

[8]　彭苏萍,高云峰,彭晓波,等.淮南煤田含煤地层岩石物性参数研究[J].煤炭学报,2004,29(2):177-181.

PENG Suping,GAO Yunfeng,PENG Xiaobo,et al.Study on the rock physic parameters of coal bearing strata in Huainan coalfield[J].Journal of China Coal Society,2004,29(2):177-181.

[9]　刘景艳,王福忠.基于粒子群神经网络的煤层瓦斯含量预测[J].河南理工大学学报(自然科学版),2014,33(6):724-727.

LIU Jingyan,WANG Fuzhong.Coal seam gas content prediction based on particle swarm neural network[J].Journal of Henan Polytechnic University(Natural Science),2014,33(6):724-727.

[10]　聂百胜,戴林超,颜爱华,等.基于支持向量回归机的煤层瓦斯含量预测研究[J].中国安全科学学报,2010,20(6):28-32.

NIE Baisheng,DAI Linchao,YAN Aihua,et al.Study on prediction of coal seam gas content based on support vector regression[J].China Safety Science Journal,2010,20(6):28-32.

[11]　PHAN A V,NGUYEN M L,BUI L T.Feature weighting and SVM parameters optimization based on genetic algorithms for classification problems[J].Applied Intelligence,2017,46(2):455-469.

[12]　IZADI M,MOHAMMADZADEH A,HAGHIGHATTALAB A.A new neuro-fuzzy approach for post-earthquake road damage assessment using GA and SVM classification from quick bird satellite images[J].Journal of the Indian Society of Remote Sensing,2017(5):1-13.

[13]　董晓雷,贾进章,白洋,等.基于SVM耦合遗传算法的回采工作面瓦斯涌出量预测[J].安全与环境学报,2016,16(2):114-118.

DONG Xaiolei,JIA Jinzhang,BAI Yang,et al.Prediction for gas-gushing amount from the working face of stope based on the SVM coupling genetic algorithm[J].Journal of Safety and Environment,2016,16(2):114-118.

[14]　李娟娟.煤与瓦斯突出预测的岩性地震反演方法研究[D].徐州:中国矿业大学,2013.

LI Juanjuan.Study on lithologic seismic inversion methods for coal and gas outburst prediction[D].Xuzhou:China University of Mining and Technology,2013.

[15]　崔大尉.基于地震信息的煤与瓦斯突出预测与评价方法研究[D].徐州:中国矿业大学,2015.

CUI Dawei.Study on the prediction and evaluation method of coal and gas outburst based on seismic information[D].Xuzhou:China University of Mining and Technology,2015.

[16]　MOHAMED I A,SHENKAR O,MAHMOUD H.Understanding reservoir heterogeneity through water-saturation prediction via neural network- A case study from offshore Nile Delta[J].Leading Edge,2017,36(4):298-303.

[17]　查华胜,甘志超,刘卫佳,等.自然伽马拟声波曲线构建技术探讨[J].中国煤炭地质,2014,26(5):58-62.

ZHA Huasheng,GAN Zhichao,LIU Weijia,et al.Latest discussion on natural gamma-ray pseudo-acoustic construction technology[J].Coal Geology of China,2014,26(5):58-62.

[18]　赵继龙,熊冉,陈戈,等.伽马拟声波分频重构反演在储层预测中的应用[J].地球物理学进展,2013,28(4):1954-1961.

ZHAO Jilong,XIONG Ran,CHEN Ge,et al.Gr Quasi-Acoustic frequency divisions reconstruct seismic inversion and application in reservoir prediction[J].Progress in Geophysics,2013,28(4):1954-1961.