康乾坤，路來君，尚殷民

(吉林大學地球科學學院,長春 130061)

在礦產(chǎn)勘查中，測井數(shù)據(jù)屬于分辨率最高的一種地學屬性信息，是能直觀反映出縱深方向上地球物理性質(zhì)變化的屬性。因而具有很高的研究和工程價值。通過對鈾礦測井數(shù)據(jù)的分析可以推斷出鈾礦異常的產(chǎn)生位置，從而對鈾礦勘查區(qū)的選區(qū)起到輔助決策的作用。

在鈾礦勘查方面,松遼盆地是中國北方砂巖型鈾礦的主要產(chǎn)鈾盆地之一。近年來，在中國地質(zhì)調(diào)查局天津地質(zhì)調(diào)查中心的組織下，對松遼盆地北部油田資料進行二次開發(fā)和鉆孔原位驗證，在大慶長垣南端及周邊地區(qū)發(fā)現(xiàn)了多處鈾礦化富集區(qū)，并發(fā)現(xiàn)了工業(yè)鈾礦體，鈾礦找礦工作呈現(xiàn)了較大的突破與進展[1-2]。然而，目前對鈾礦異常的識別主要以地質(zhì)理論和地質(zhì)經(jīng)驗為依據(jù)、線性數(shù)學方法作為基礎(chǔ)，分析給出鈾礦異常發(fā)生的臨界值，從而人工解譯得出期望的結(jié)果[3-6]。該層位是否為鈾礦異常主要依靠測井曲線的幅值大小來判斷，但實際的地質(zhì)現(xiàn)象往往表現(xiàn)出非均質(zhì)性的情況，難以用線性模型進行精確的描述與處理，存在較大的誤差[7]。人工識別存在精度不高，研究區(qū)內(nèi)的適宜臨界值確定較為困難等問題。而精確的鈾礦礦體信息則需要專業(yè)的定量伽馬測井配合一系列放射性相關(guān)系數(shù)的校正和巖芯取樣信息來計算獲得[8]。礦體信息的獲取成本較高。因此，如何快速有效獲取精準的礦體信息成為鈾礦勘查的亟待解決的問題。

近年來，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在分類模式識別、劃分油氣層、巖性識別、預測儲層段參數(shù)等方面的應用廣泛[9]，并且該技術(shù)在識別礦物類型、沉積相的區(qū)分等方面應用效果良好[10]。在外國，Khandelwa等[11]通過BP(back propagation)神經(jīng)網(wǎng)絡(luò)對密度和中子測井數(shù)據(jù)進行了預測，預測結(jié)果明顯優(yōu)于多元回歸擬合；Baneshi等[12]選擇人工神經(jīng)網(wǎng)絡(luò)進行巖石地球物理參數(shù)的估計，通過連續(xù)的三個BP神經(jīng)網(wǎng)絡(luò)以較少的輸入?yún)?shù)較好的預測出了巖石孔隙度，降低了數(shù)據(jù)挖掘的時間和成本。在中國，陳科貴等[13]研究表明BP神經(jīng)網(wǎng)絡(luò)模型相較于傳統(tǒng)測井解釋方法在雜鹵石分類識別中有明顯的優(yōu)勢；朱紅等[14]提出基于ATD(自適應去噪)-BP神經(jīng)網(wǎng)絡(luò)的頁巖氣產(chǎn)量預測方法，克服了儲層參數(shù)與氣井產(chǎn)量之間的非線性相關(guān)關(guān)系問題，較好地預測了氣井的產(chǎn)量；項云飛等[15]為應對線性回歸方法的不足，將神經(jīng)網(wǎng)絡(luò)同線性回歸方法相結(jié)合對儲層孔隙度含水飽和度等進行劃分，結(jié)果表明神經(jīng)網(wǎng)絡(luò)算法對于非線性問題的處理有較好的優(yōu)勢。

綜上所述，神經(jīng)網(wǎng)絡(luò)技術(shù)應用于數(shù)據(jù)預測、模式分類已較為成熟，可以適應非均質(zhì)的地質(zhì)條件和復雜多變的地質(zhì)現(xiàn)象，發(fā)掘、學習并記憶地學數(shù)據(jù)之間的復雜關(guān)系，最終在相關(guān)問題的分析處理中得以運用。選擇人工神經(jīng)網(wǎng)絡(luò)技術(shù)應用于大量的鈾礦鉆孔測井信息中，以BP神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，構(gòu)建適合的非線性數(shù)學模型，不斷優(yōu)化約束條件，對鈾礦測井數(shù)據(jù)進行異常識別和提取。并通過與工業(yè)已知礦化層信息進行結(jié)果對比，對神經(jīng)網(wǎng)絡(luò)模型的識別能力予以評價。

1 研究區(qū)鈾礦分布概況

研究區(qū)位于松遼盆地長垣南端某鈾礦礦集區(qū)，長垣南端屬松遼盆地北部中央坳陷區(qū)內(nèi)的二級正向構(gòu)造單元，東鄰三肇凹陷、朝陽溝階地，西接齊家—古龍凹陷，面積近420 km2[16]。研究區(qū)位置如圖1所示。

1為一級構(gòu)造分區(qū)線；2為二級構(gòu)造分區(qū)線；3為河流；4為盆地邊界；5為研究區(qū)圖1 研究區(qū)構(gòu)造位置Fig.1 Tectonic location of the study area

松遼盆地是典型的陸相盆地，白堊系是松遼盆地最主要的賦油、鈾層系[16]。研究區(qū)內(nèi)主要的含礦地層為白堊系的明水組與四方臺組。四方臺組底部與嫩江組呈平行不整合接觸，頂部與明水組呈整合接觸。四方臺組地層在盆地內(nèi)廣泛發(fā)育，巖性以灰色、綠灰色中細砂巖，夾灰紅色、灰色粉砂巖、泥巖為主[17]。依據(jù)鉆孔測井數(shù)據(jù)以及前人巖芯取樣分析四方臺組為研究區(qū)內(nèi)的鈾礦富集地層。

2 鈾礦異常的測井響應特征

研究區(qū)內(nèi)的鈾礦異常主要賦存于四方臺組的砂體中，屬砂巖型鈾礦[1]。因而砂巖型鈾礦異常的測井響應特征主要有：極高的自然伽馬值(GR)，已知礦化層的平均放射性可達1 000 api；鈾礦異常多富集于泥-砂-泥結(jié)構(gòu)、砂泥互層等，因而密度曲線在異常發(fā)生處有由大變小的趨勢，可在含礦目的層作為鈾礦異常存在的輔助標志；縮徑與擴徑現(xiàn)象的產(chǎn)生也對自然伽馬測井存在一定的波動影響，雖不屬于地球物理屬性，但其在放射性測井解釋中具有重要的輔助參數(shù)作用[18]。此外，由于鈾礦賦存巖性交替變化的原因，在鈾礦異常處表現(xiàn)出相較于上下巖層低電位、高電阻的現(xiàn)象。不同測井參數(shù)隨著鈾礦異常的發(fā)生出現(xiàn)各自的變化，這些變化間復雜且微小的相關(guān)關(guān)系共同指示著鈾礦異常的存在，同時也給鈾礦異常識別的準確性帶來了一定的困難。測井響應特征如圖2所示。

圖2 礦集區(qū)某鈾礦鉆孔測井柱狀圖Fig.2 Histogram of borehole logging of a uranium mine in a mining area

3 BP神經(jīng)網(wǎng)絡(luò)模型的建立

人工神經(jīng)網(wǎng)絡(luò)(artificial neural netwroks，ANN)方法就是利用生物仿生學觀點，探索人腦的生理結(jié)構(gòu)，將對人腦的微觀結(jié)構(gòu)及其智能行為的研究結(jié)合起來的一種認知方法[19]。在實際應用中，大多數(shù)的人工神經(jīng)網(wǎng)絡(luò)模型是采用誤差反傳算法或其變化形式的網(wǎng)絡(luò)模型(BP神經(jīng)網(wǎng)絡(luò))[20]。BP神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層和目的層組成，每一層可包含不同的神經(jīng)元個數(shù)，不同層之間傳遞的信號傳遞通過各層的權(quán)值和閾值共同作用，屬于前饋型神經(jīng)網(wǎng)絡(luò)[20]。由于BP神經(jīng)網(wǎng)絡(luò)智能化的信息處理，具有高效的模式識別能力，能夠?qū)W習和模擬任意的非線性變量的輸入輸出映射關(guān)系[21]。因此BP神經(jīng)網(wǎng)絡(luò)模型適合于學習上述具有一定相關(guān)關(guān)系的測井數(shù)據(jù)，挖掘不同測井參數(shù)對于輸出的作用與貢獻，并對這種映射關(guān)系進行記憶并保存。

3.1 數(shù)據(jù)歸一化處理

輸入節(jié)點的數(shù)據(jù)來自不同的地球物理測井數(shù)據(jù)，均代表著不同別的物理意義，有著各自獨立的量綱，為了防止不同量綱之間的數(shù)值差異導致網(wǎng)絡(luò)訓練過程中陷入局部極小問題，需要對輸入數(shù)據(jù)進行歸一化，歸一化的方法較多，選擇極值歸一化作為數(shù)據(jù)預處理的方法。將歸一化后的測井數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，其公式如式(1)所示：

(1)

式(1)中：xmax、xmin分別為原數(shù)據(jù)的最大、最小值；ymax、ymin分別為歸一化后數(shù)據(jù)的最大、最小值[22]。

3.2 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)包括信號的正向傳播和誤差的反向傳播兩個過程[17]。正向傳播時外部信息從輸入層傳入，經(jīng)各隱含層逐層處理后，傳向輸出層，由輸出層接收隱含層的傳遞信息并加以處理得出實際輸出結(jié)果。若輸出層所得的實際輸出與期望的輸出不符，則模型轉(zhuǎn)入誤差的反向傳播階段。在誤差反向傳播時依據(jù)神經(jīng)網(wǎng)絡(luò)的梯度下降算法，沿梯度下降最快的方向?qū)⒄`差分攤給所有神經(jīng)元，根據(jù)所分攤的誤差不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，優(yōu)化網(wǎng)絡(luò)的約束條件，使網(wǎng)絡(luò)的誤差平方和達到最小，以滿足網(wǎng)絡(luò)預設(shè)的目標條件[19]，其主要過程如下。

3.2.1 變量和參數(shù)的定義

BP神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)為數(shù)據(jù)預處理后的歸一化矩陣，即為矩陣X。

(2)

式(2)中：總計m個樣本,n個變量即為m×n的矩陣向量，可表示為X=(x1,x2,…,xn)。初始權(quán)值為ωih，由隱含層到輸出層的權(quán)值為ωho。隱含層神經(jīng)元閾值為bh，輸出層神元閾值為bo，隱含層神經(jīng)元數(shù)為p，輸入為hi，輸出為ho；輸出層神經(jīng)元數(shù)為q，輸入為yi，輸出為yo；樣本個數(shù)為k=1,2,…,m,激活函數(shù)為f,誤差函數(shù)為

(3)

式(3)中：e為誤差函數(shù)；do(k)為因變量的預測值；yo(k)為因變量的實際值。

3.2.2 網(wǎng)絡(luò)初始化

給各連接權(quán)值分別賦一個區(qū)間(-1，1)內(nèi)的隨機數(shù),設(shè)定誤差函數(shù)e，給定計算精度值ε和最大學習次數(shù)M。隨機選取第k個輸入樣本及對應期望輸出為

(4)

3.2.3 根據(jù)訓練樣本計算各層輸入輸出

隱含層的輸入輸出分別為

(5)

式(5)中：hih(k)為隱含層第h個神經(jīng)元的輸入值；hoh(k)為隱含層第h個神經(jīng)元的輸出值。

輸出層的輸入和輸出分別為

(6)

式(6)中：yio(k)為輸出層第o個神經(jīng)元的輸入值；yoo(k)為輸出層第o個神經(jīng)元的輸出值。

3.2.4 根據(jù)預設(shè)目標求解神經(jīng)元偏導數(shù)

利用網(wǎng)絡(luò)期望輸出和實際輸出，計算誤差函數(shù)對輸出層的各個神經(jīng)元的偏導數(shù)，輸出層神經(jīng)元的偏導數(shù)為

(7)

式(7)中：h取值于p，p為隱含層神經(jīng)元的個數(shù)；o取值于q，q為輸出層神經(jīng)元的個數(shù)；δo(k)為誤差對輸出層第o個神經(jīng)元輸出值的偏導數(shù)。

同理計算誤差函數(shù)對隱含層各個神經(jīng)元的偏導數(shù)：

(8)

式(8)中：i取值于m，m為樣本個數(shù)；-δh(k)為誤差對隱含層第h個神經(jīng)元輸出值的偏導數(shù)。

3.2.5 權(quán)值修正

利用輸出層和隱含層各神經(jīng)元的偏導數(shù)和隱含層各神經(jīng)元的輸出來修正各層的連接權(quán)值：

(9)

(10)

3.2.6 計算全局誤差

(11)

式(11)中：E為全局誤差；m為樣本個數(shù)；q為輸出層神經(jīng)元個數(shù)。

3.2.7 誤差檢驗

判斷網(wǎng)絡(luò)全局誤差是否滿足網(wǎng)絡(luò)模型的預設(shè)要求。當誤差達到預設(shè)要求或?qū)W習次數(shù)達到預設(shè)的最大次數(shù)，則模型算法結(jié)束。否則，選取下一個學習樣本及對應的期望輸出，返回到3.2.3節(jié)，進入下一輪學習,直至目標達成方可終止。

3.3 測井參數(shù)優(yōu)選及模型結(jié)構(gòu)設(shè)計

根據(jù)鈾礦異常的基本測井響應特征為原則，選取5條相關(guān)的地球物理測井曲線來進行鈾礦異常的BP神經(jīng)網(wǎng)絡(luò)建模，分別為自然伽馬(GR)、自然電位(SP)、密度(DEN)、三側(cè)向電阻率(LLS)以及井徑(CAL)5條測井曲線，具體數(shù)據(jù)如表1所示。

表1 BP神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)Table 1 BP neural network model sample data

以這五條測井曲線預處理后的數(shù)值作為BP神經(jīng)網(wǎng)絡(luò)模型的外部輸入信息，輸入層共計5個節(jié)點，隱含層的層數(shù)和節(jié)點數(shù)目則需要結(jié)合輸入節(jié)點、輸出節(jié)點共同決定，根據(jù)礦集區(qū)已知礦體信息，鈾礦異常層分為兩類，邊界品位為0.005%～0.01%的層位被界定為異常層，邊界品位大于0.01%的層位則定義為礦化層。BP神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點即為異常信息的識別結(jié)果，共計礦化層、異常層、非異常層3個節(jié)點。而在隱含層方面，理論上單層的隱含層配合線性的傳遞函數(shù)在神經(jīng)元數(shù)足夠多的情況下可以無限逼近任何非線性函數(shù)，增加隱含層層數(shù)可以降低網(wǎng)絡(luò)誤差，提高精度，但同時也會導致網(wǎng)絡(luò)復雜化，從而增加了網(wǎng)絡(luò)的訓練時間和出現(xiàn)過擬合的傾向[20-21]。因此綜合輸入輸出節(jié)點信息，初始隱含層選擇單層結(jié)構(gòu)，隱含層神經(jīng)元節(jié)點數(shù)依據(jù)映射網(wǎng)絡(luò)存在定理(Kolmogorov)來確定：

z=2t+1

(12)

式(12)中：z為隱含層節(jié)點數(shù);t為輸入層節(jié)點數(shù)[22]。

根據(jù)經(jīng)驗公式選定初始隱含層節(jié)點數(shù)為11個，在后續(xù)的誤差反傳計算過程中間依據(jù)達到網(wǎng)絡(luò)目標的目的，采用逐次加減的方法來尋找最適宜的隱含層節(jié)點數(shù)，實現(xiàn)網(wǎng)絡(luò)的結(jié)構(gòu)的優(yōu)化[19]。

在變量優(yōu)選和數(shù)據(jù)預處理的基礎(chǔ)上，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)模型對砂巖型鈾礦異常進行預測。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 Schematic diagram of BP neural network structure

4 識別結(jié)果與分析

使用MATLAB R2016a軟件進行BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建，以研究區(qū)已探明鈾礦礦體的4個鈾礦鉆孔地球物理測井數(shù)據(jù)含礦目的層信息為訓練樣本，訓練樣本的點位選取也要考慮礦化信息的典型性，同時滿足空間位置的選取均勻性，建立5×11×3結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型，預設(shè)最大學習次數(shù)為20 000次，學習率為0.05，目標最小均方誤差為1×10-6。并對模型區(qū)數(shù)據(jù)進行反復訓練并保存網(wǎng)絡(luò)，使得網(wǎng)絡(luò)對于模型區(qū)的輸入輸出映射關(guān)系存儲并記憶。利用所訓練模型對研究區(qū)內(nèi)的其他4口鈾礦鉆孔進行測試，并將最終的測試結(jié)果同已探明礦體信息進行驗證對比，具體情況如圖4所示。

1為非異常層；2為異常層；3為礦化層圖4 測試結(jié)果分析對比Fig.4 Comparison and analysis of test results

圖4為ZKXX01號鉆孔中395～405 m段，ZKXX02號鉆孔379～393 m段鈾礦鉆孔測井數(shù)據(jù)異常識別結(jié)果，經(jīng)過對測試數(shù)據(jù)的統(tǒng)計分析對比，ZKXX01和ZKXX02號鉆孔的測試總體準確率分別為83.95%和93.4%，總體效果較為顯著。根據(jù)放射性測井規(guī)范中對異常的定義，泥巖層為自然伽馬放射性最高的巖層，其平均值為150～170 API，選擇200 API為砂巖型鈾礦異常的界定閾值，篩選砂巖型鈾礦異常以作對比。由圖5可知，模型識別精度較高，所識別結(jié)果能包含大部分的已知礦體信息，相較于傳統(tǒng)異常判別方法更接近礦體的形態(tài)和范圍。在研究區(qū)內(nèi)選擇4口鈾礦鉆孔進行測試分析，并統(tǒng)計對比測試結(jié)果。4口鈾礦異常識別結(jié)果如表2所示,單井的識別深度對比如表3所示，其全體測試樣本平均準確率可達86.55%。

結(jié)合4口井的情況來看，綜合ZKXX-02號鈾礦鉆孔深度對比信息表(表3)。若單以異常樣本(礦化層本身也屬于鈾礦異常)被判別準確的標準來看，BP神經(jīng)網(wǎng)絡(luò)模型對異常的識別準確率會高于模型整體的識別率，在模型識別的算法中，存在對非含礦層的判別及對比。異常層的判別范圍較大必然會導致非礦化層的判別錯誤，所以異常層的識別準確率較之模型整體更高。

表2 鈾礦異常識別結(jié)果統(tǒng)計Table 2 Statistic of uranium anomaly identification results

表3 ZXXX-02號鉆孔識別深度結(jié)果對比Table 3 Comparison of drilling depth identification results of ZXXX-02

測試樣本的選取一般為含礦目的層10 m左右的一段測井數(shù)據(jù)，所選取的測井參數(shù)均為同鈾礦異常相關(guān)的地學屬性，通過已知樣本的不斷學習，神經(jīng)網(wǎng)絡(luò)模型可以記憶已知礦體信息同測井數(shù)據(jù)之間錯綜復雜的規(guī)律，并將其應用于對應得模式識別，對鈾礦異常的識別是有效的。神經(jīng)網(wǎng)絡(luò)技術(shù)是基于數(shù)據(jù)樣本的學習技術(shù)，因此對于模型輸入數(shù)據(jù)的要求較高，運用大尺度的整鉆測試數(shù)據(jù)會數(shù)據(jù)不穩(wěn)定性導致模型精度下降，這是由于不同層位下的地質(zhì)條件及其巖性物性差異所導致，故針對含礦目的層進行已知鈾礦異常的建模，相較于臨界值異常判別，能綜合多屬性信息對未知孔的鈾礦異常信息給出準確判斷，對于鈾礦資源預測、找礦方向選擇等工作不失為一種快速高效的異常識別方法。

5 結(jié)論

應用BP神經(jīng)網(wǎng)絡(luò)模型對松遼盆地某鈾礦礦集區(qū)進行了鈾礦異常識別，通過對比分析得出以下結(jié)論。

(1) 依據(jù)砂巖型鈾礦異常的測井響應特征，運用BP神經(jīng)網(wǎng)絡(luò)模型識別并提取出鈾礦異常的兩種類型，即鈾礦的異常層和礦化層，識別準確率達到86.55%。模型識別結(jié)果同已知鈾礦異常信息重合度高。

(2) 基于BP神經(jīng)網(wǎng)絡(luò)模型的異常識別方法為鈾礦找礦的實際工作提供一種新思路，一種基于機器學習的識別方法。在實際應用中異常識別的效果顯著，識別速度快，方法可靠且能消除人為工作的偶然誤差，識別效果較好。

地球物理測井資料的獲取相對而言成本較高，難以對研究區(qū)內(nèi)的全體樣本均進行精確的測量與分析，因此利用好現(xiàn)有的優(yōu)質(zhì)數(shù)據(jù)便顯得尤為重要。利用BP神經(jīng)網(wǎng)絡(luò)訓練并發(fā)掘測井數(shù)據(jù)中的異常信息能大大降低信息獲取的成本和時間，極大地提高找礦工作的效率，目前利用神經(jīng)網(wǎng)絡(luò)處理地學分類問題，由于同一礦集區(qū)地質(zhì)條件總體相似，利用已知鉆孔的礦化層信息為模型，充分利用多個測井屬性信息，對異常劃分進行分類。后續(xù)也可利用神經(jīng)網(wǎng)絡(luò)、支持向量機等機器學習方法對預測問題提出相應的解決方案。在已有大量已知礦化體信息的情況下，可利用礦化體的品位、平米鈾量等更為精確的測量信息進行建模，對未知孔進行關(guān)于品位、平米鈾量等屬性的數(shù)值預測，能夠在礦產(chǎn)資源量預測、成礦遠景區(qū)規(guī)劃等方面提供有力的輔助決策支持，可作為進一步的研究方向。