CN110208861A - 一种构造软煤发育区的预测方法及装置 - Google Patents

Abstract

本申请提供一种构造软煤发育区的预测方法及装置，其中，方法包括：获取研究区域内的三维地震数据以及测井曲线；利用蚁群追踪算法对三维地震数据进行分析，获得蚂蚁数据体；根据三维地震数据以及测井曲线进行地震反演，获得测井数据体；分别从蚂蚁数据体与测井数据体中提取目标煤层中各目标点的蚂蚁属性值以及测井属性值，并将每一目标点对应的蚂蚁属性值与测井属性值进行融合，获得目标煤层各目标点的融合值；根据各目标点的融合值与设定阈值的关系在目标煤层的平面上划分出至少一个区域，并与预先获得的存在构造软煤的位置进行对比，进而从至少一个区域中确定出构造软煤的发育区域。

Description

一种构造软煤发育区的预测方法及装置

技术领域

本申请涉及地质勘探技术领域，具体而言，涉及一种构造软煤发育区的预测方法及装置。

背景技术

构造软煤是指构造应力作用下产生变形的煤，即在不同的应力-应变环境和构造应力作用下，煤的物理结构、化学结构及其光性特征等都将发生显著变化，从而形成具有不同结构特征、不同类型的构造变形煤。现阶段针对构造软煤发育区域的预测研究还比较缺乏。

发明内容

本申请实施例的目的在于提供一种构造软煤发育区的预测方法及装置，以预测地下岩层中构造软煤的发育区域。

第一方面，本申请实施例提供一种构造软煤发育区的预测方法，包括：获取研究区域内的三维地震数据以及测井曲线；利用蚁群追踪算法对所述三维地震数据进行分析，获得蚂蚁数据体，所述蚂蚁数据体为研究区域地层中每一位置处的蚂蚁属性值的集合，所述蚂蚁属性值表示该位置处是否存在断层；根据所述三维地震数据以及所述测井曲线进行以测井曲线为约束的地震反演，获得测井数据体，所述测井数据体为研究区域地层中每一位置处的测井属性值的集合；分别从蚂蚁数据体与测井数据体中提取目标煤层中各目标点的蚂蚁属性值以及测井属性值，并将每一目标点对应的蚂蚁属性值与测井属性值进行融合，获得目标煤层各目标点的融合值；根据各目标点的融合值与设定阈值的关系在所述目标煤层的平面上划分出至少一个区域，将预先获得的存在构造软煤的位置与所述至少一个区域的位置进行对比，并根据对比结果从所述至少一个区域中确定构造软煤的发育区域。

蚂蚁数据体能够反映地下岩层中的断裂构造情况，经发明人对实地揭露的多个存在构造软煤的位置进行分析，发现构造软煤多位于断层发育或者断层边缘位置，也就是说，蚂蚁数据体在一定程度上能够反映构造软煤的发育，并且，将蚂蚁数据体与测井数据体进行融合，结合断层的分布与测井所表现出的岩性变化来进行构造软煤的预测，相较于由单一属性值得到的预测结果会更加准确。

在第一方面的一种可选的实施方式中，所述测井曲线包括密度曲线以及自然伽马曲线，根据所述三维地震数据以及所述测井曲线进行以测井曲线为约束的地震反演，获得测井数据体，包括：根据所述三维地震数据以及所述密度曲线进行以密度曲线为约束的地震反演，获得密度数据体，以及，根据所述三维地震数据以及所述自然伽马曲线进行以自然伽马曲线为约束的地震反演，获得自然伽马数据体，所述密度数据体和所述自然伽马数据体分别为研究区域地层中每一位置处的密度值的集合与自然伽马值的集合；所述分别从蚂蚁数据体与测井数据体中提取目标煤层中各目标点的蚂蚁属性值以及测井属性值，并将每一目标点对应的蚂蚁属性值与测井属性值进行融合，包括：分别从蚂蚁数据体、密度数据体以及自然伽马数据体中提取目标煤层中各目标点的蚂蚁属性值、密度值以及自然伽马值，并将每一目标点对应的蚂蚁属性值、密度值以及自然伽马值进行融合。

经发明人分别针对密度数据体与自然伽马数据体进行试验发现，研究区域内揭露的多个瓦斯突出点(即可以认为存在构造软煤)的密度值相对较大，基于这一发现将目标煤层各目标点的密度值与构造软煤的密度分布区间进行对比，发现获得的预测结果与实揭的瓦斯突出点匹配较好，因此将密度的变化作为构造软煤预测的其中一项指标；另一方面，还发现在构造软煤的发育区域，煤层顶部岩石的自然伽马值较低，由于自然伽马对于岩层的砂泥比具有指示作用，也能间接指示构造软煤的发育情况。因此，结合上述两种测井属性进行预测，预测结果的准确度较高。

在第一方面的一种可选的实施方式中，在根据所述三维地震数据以及所述自然伽马曲线进行以自然伽马曲线为约束的地震反演之前，所述方法还包括：对所述自然伽马曲线进行平滑处理。

自然伽马曲线平滑处理后，能够凸显砂、泥厚层的分布，同时可以带来反演速度的提升。

在第一方面的一种可选的实施方式中，根据所述三维地震数据以及所述测井曲线进行以测井曲线为约束的地震反演，包括：利用概率神经网络模型对所述三维地震数据以及测井曲线进行地震反演。

在第一方面的一种可选的实施方式中，在利用概率神经网络模型对所述三维地震数据以及测井曲线进行地震反演之前，所述方法还包括：利用研究区域内各钻孔的密度曲线和自然伽马曲线对概率神经网络模型进行训练以及交叉验证，以确定所述概率神经网络模型的参数。

在第一方面的一种可选的实施方式中，利用研究区域内各钻孔的密度曲线和自然伽马曲线对概率神经网络模型进行训练，包括：利用研究区域内各钻孔的满足预设条件的密度曲线和自然伽马曲线对所述概率神经网络模型进行训练，其中，所述预设条件是指曲线的变化程度大于预设程度。

测井曲线中变化程度不大的曲线，可以认为其没有反映地层岩性变化，这些曲线不需要参与神经网络模型的训练，避免造成对预测结果的负面影响。

第二方面，本申请实施例提供一种构造软煤发育区的预测装置，包括：数据获取模块，用于获取研究区域内的三维地震数据以及测井曲线；数据处理模块，用于利用蚁群追踪算法对所述三维地震数据进行分析，获得蚂蚁数据体，以及，根据所述三维地震数据以及所述测井曲线进行以测井曲线为约束的地震反演，获得测井数据体，其中，所述蚂蚁数据体为研究区域地层中每一位置处的蚂蚁属性值的集合，所述蚂蚁属性值表示该位置处是否存在断层，所述测井数据体为研究区域地层中每一位置处的测井属性值的集合；数据融合模块，用于分别从蚂蚁数据体与测井数据体中提取目标煤层中各目标点的蚂蚁属性值以及测井属性值，并将每一目标点对应的蚂蚁属性值与测井属性值进行融合，获得目标煤层各目标点的融合值；预测模块，用于根据各目标点的融合值与设定阈值的关系在所述目标煤层的平面上划分出至少一个区域，将预先获得的存在构造软煤的位置与所述至少一个区域的位置进行对比，并根据对比结果从所述至少一个区域中确定构造软煤的发育区域。

在第二方面的一种可选的实施方式中，所述测井曲线包括密度曲线以及自然伽马曲线，所述数据处理模块具体用于：根据所述三维地震数据以及所述密度曲线进行以密度曲线为约束的地震反演，获得密度数据体，以及，根据所述三维地震数据以及所述自然伽马曲线进行以自然伽马曲线为约束的地震反演，获得自然伽马数据体，所述密度数据体和所述自然伽马数据体分别为研究区域地层中每一位置处的密度值的集合与自然伽马值的集合；所述数据融合模块具体用于：分别从蚂蚁数据体、密度数据体以及自然伽马数据体中提取目标煤层中各目标点的蚂蚁属性值、密度值以及自然伽马值，并将每一目标点对应的蚂蚁属性值、密度值以及自然伽马值进行融合。

在第二方面的一种可选的实施方式中，所述数据处理模块还用于：对所述自然伽马曲线进行平滑处理。

在第二方面的一种可选的实施方式中，所述数据处理模块具体用于：利用概率神经网络模型对所述三维地震数据以及测井曲线进行地震反演。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种构造软煤发育区的预测方法的流程图；

图2为根据蚂蚁数据体获得的反映目标煤层上的断裂情况的平面图；

图3为本申请实施例提供的一种构造软煤发育区的预测装置的示意图；

图4为本申请实施例提供的一种电子设备的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

实施例

构造软煤是煤层在构造应力作用下发生破碎或强烈韧缩性变形的变形煤，特殊的物理和化学结构决定了其具有高含气量和低透气性的特性。在构造软煤的破碎空隙中一般充填有煤层气，使存在构造软煤的煤矿采区往往成为瓦斯突出的危险区域，可能危害矿井的采掘安全。有鉴于此，本申请实施例提供一种构造软煤发育区的预测方法，可以为矿井的瓦斯突出预测和煤层气勘探开发等实际应用场景提供指导，参照图1，该方法包括如下步骤：

步骤101：获取研究区域内的三维地震数据以及测井曲线。

其中，研究区域为将要执行此方法进行构造软煤发育区域预测的地理区域，三维地震数据为野外采集时放炮激发地震波后由检波器获得的经过处理加工的地震数据(如叠后偏移数据、叠前时间偏移数据等)，测井曲线为在钻井过程中利用测井设备测量获得的岩层的地球物理参数所形成的曲线，反映不同岩性、不同层位的测井特征，在本实施例中，测井曲线可以选择密度曲线、自然伽马曲线中的至少一种，当然，也不排除还可以采用其他类型的测井曲线进行预测的方案。

步骤102：利用蚁群追踪算法对三维地震数据进行分析，获得蚂蚁数据体。

蚂蚁数据体为研究区域地下岩层中每一位置处的蚂蚁属性值的集合，每一蚂蚁属性值表示的含义是该位置是否存在有断层，这意味着利用三维的蚂蚁数据体能够反映出整个研究区域地下的断层、裂缝情况。

蚁群追踪算法是通过模拟自然界蚁群为了优化搜索食物路径而标注爬行轨迹的行为，将蚂蚁放入由三维地震数据所形成的地震数据体中以搜索地下可能存在的断层，蚁群将在地震数据体中捕获断裂信息，形成描述地下断层情况的断裂响应，即蚂蚁数据体。该算法的基本原理为：在地震数据体中散播大量的蚂蚁，当某些蚂蚁发现满足预设断裂条件的断裂痕迹时将释放某种信号(可以理解为信息素)，召集其他区域的蚂蚁集中在断裂处对其进行追踪，直至完成该断裂处的追踪和识别，而其他不满足预设断裂条件的位置将不进行标注和释放信号，最终形成一个具有清晰断裂痕迹的蚂蚁数据体。如图2所示，图2表示从蚂蚁数据体中沿目标煤层提取获得的反映该目标煤层上的断裂情况的平面图，从该平面图中能够清晰看见目标煤层上的断层分布，图中断裂痕迹的深浅表示煤层中断层破坏的严重程度。

构造软煤产生的原因是煤层断裂，使得原本的原生煤被破坏形成构造软煤，而由于构造软煤的破碎空隙中充填有煤层气，因此极易出现瓦斯突出，因而可以根据是否出现瓦斯突出现象区别出原生煤与构造软煤，也就是说，在采掘过程中当发现某一位置出现瓦斯突出点，即可以认为该点存在构造软煤。经发明人研究发现，某一研究区域内实揭的多个瓦斯突出点多位于断层发育或者断层边缘位置，可见断裂、裂缝的分布能够指示应力集中对煤层的破坏位置，因而可以认为断层分布与构造软煤的发育存在一定的联系，因此，在预测构造软煤时可以将断层作为其中一项预测指标，而蚂蚁数据体能用于解释地下断层分布情况，因此可以利用蚂蚁数据体来进行构造软煤的预测。

步骤103：根据三维地震数据以及测井曲线进行以测井曲线为约束的地震反演，获得测井数据体。

测井数据体表示研究区域地层中每一位置处的测井属性值的三维集合，在测井曲线为密度曲线和/或自然伽马曲线时，获得的测井数据体对应的也为密度数据体和/或自然伽马数据体，下文具体以密度数据体和自然伽马数据体为例进行阐述。

地震反演方式可以有多种，包括但不限于递推反演、稀疏脉冲反演、特征反演、神经网络反演等任一种可能的方式，具体如何根据三维地震数据和测井曲线进行反演可以参照现有技术，在此不进行说明。在本实施例中，可以采用概率神经网络(ProbabilisticNeural Network，PNN)模型进行地震反演。在进行反演之前，首先利用研究区域内各钻孔的密度曲线和自然伽马曲线对概率神经网络模型进行训练以及交叉验证，以确定概率神经网络模型的参数(包括学习参数与超参数)，需要注意，参与训练的密度曲线和自然伽马曲线应当满足一定的条件，即曲线的变化程度应当大于预设的程度，如果所获取的测井曲线上的测井属性值没有出现一定的变化，则可以认为这些曲线没有反映地层岩性变化，则不让其参与神经网络模型的训练，以免造成对预测结果的负面影响。

在这之前，发明人分别针对密度数据体和自然伽马数据体进行了长期试验，从获得的密度数据体中进行目标煤层层位信息的提取，分析目标煤层与其上下2ms反演时窗所表示的厚度范围内的平均密度值(对目标煤层上以各目标点为中心的该厚度范围内的密度值求算术平均)的变化情况，获得目标煤层的平面展布，于是将目标煤层平面展布上的各密度值与构造软煤的密度变化范围进行对比，若密度值位于构造软煤密度变化范围内则认为该点存在构造软煤。在某一次试验过程中，对比研究区域内揭露的7个瓦斯突出点，发现7个瓦斯突出点的密度值均为相对较大的值(密度值位于1.43-1.47g/cm³之间，而目标煤层的密度变化在1.379-1.466g/cm³之间)，这表明利用密度值进行构造软煤预测的方法是可行的，而且，最终获得的预测结果与实揭的瓦斯突出点的匹配也较好，因此本实施例将密度的变化作为构造软煤预测的其中一项指标。另一方面，发明人针对自然伽马数据体进行研究后发现，在构造软煤的发育区域，其煤层顶部岩石的自然伽马值较低，也即砂岩较为发育，并且自然伽马对于岩层的砂泥比具有指示作用，也能间接指示构造软煤的发育情况。结合密度与自然伽马这两种测井属性，可以使预测结果的准确度较高。

步骤104：分别从蚂蚁数据体与测井数据体中提取目标煤层中各目标点的蚂蚁属性值以及测井属性值。

步骤105：将每一目标点对应的蚂蚁属性值与测井属性值进行融合，获得目标煤层各目标点的融合值。

从三维的蚂蚁数据体、密度数据体和自然伽马数据体中沿煤层进行属性值的提取，获得目标煤层上每一目标点所对应的蚂蚁属性值、密度值和自然伽马值，进一步的，本实施例采用多信息融合算法，将各目标点对应的三种反映构造软煤变化的属性值按照一定条件进行关联、相关和综合，形成一个新的融合值，该融合值能更加精确反映构造软煤的变化，并形成目标煤层的平面展布，煤层平面展布上的每一目标点均具有一个融合值，将煤层在各个位置处的融合值与实际开采过程中发现的构造软煤一一匹配，进而能够从融合值的变化反映构造软煤的发育情况。

上述多信息融合算法可以参照现有技术的实施方式，在此不进行说明。

步骤106：根据各目标点的融合值与设定阈值的关系在目标煤层的平面上划分出至少一个区域。

首先依次判断各目标点的融合值与设定阈值的关系，如果出现某一个范围内的融合值均大于设定阈值，则将这一范围内的目标点划分为同一个区域，如果某一范围内的融合值均不大于设定阈值，则将这一范围内的目标点划分为另一个区域，在完成对目标煤层上各目标点的判断之后，能够在目标煤层的平面上划分出至少一个区域，该至少一个区域可以理解为，将所有大于设定阈值的目标点所形成的区域定义为一个区域(这一个区域中可能包括彼此之间不连续的多个区域)，且所有不大于设定阈值的目标点所形成的区域定义为另一个区域，即这两个区域表示下文所指的构造软煤的发育区域和欠发育区域。

需要说明的是，不同的研究区域融合值的变化范围可能不同，因此上述设定阈值需要根据研究区域的实际地质情况进行调整，使划分出的区域能够更加接近实际情况。

步骤107：将预先获得的存在构造软煤的位置与至少一个区域的位置进行对比，并根据对比结果从至少一个区域中确定构造软煤的发育区域。

目标煤层上划分出的至少一个区域表示的是研究区域内的实际地理区域，因此可以将每一区域的地理位置与实揭的多个瓦斯突出点的地理位置进行对比，如果发现所有瓦斯突出点均位于其中某一个区域中(或发现某一区域内的瓦斯突出点的数量与实揭瓦斯突出点的总数量的比值高于一定比例，如80％)，则可以将这一区域确定为构造软煤的发育区域，另一区域则确定为构造软煤的欠发育区域(表示该区域为煤层保持较好的原生煤)。

可选地，在确定这两个区域所代表的构造软煤的发育情况后可以将获得的预测结果进行可视化显示，即形成一张彩色图片，图片中将构造软煤的发育区域以较为明显的颜色突出显示，将构造软煤的欠发育区以另一颜色进行表示，使预测结果能够更加直观地被反映出来。

发明人应用本实施例提供的预测方法对某研究区域进行了实地预测，并对比采掘资料，发现预测结果与实见的3个陷落柱和6个断层匹配较好，证明预测结果的精度较高，且根据图片中反映的预测结果发现该研究区域内的构造软煤覆盖整个研究区域约3/4以上的区域，发育范围较广。可见，本实施例提供的预测方法能够准确刻画构造软煤的分布，基于构造软煤的分布，对于矿井瓦斯突出预测和煤层气勘探开发等实际应用场景还能够提供重要的理论与技术支撑。

进一步的，在一次试验中，在计算能力相同的情况下分析整个反演过程，发明人发现：密度反演时，密度曲线平滑较少，其反演用时7天，反演结果对于2m以上的煤层反映清晰，可以反映3-5m左右的砂体，反演结果对于薄层反映精度较高，可用于目标煤层的微小变化以及煤层顶板近范围的岩性变化；自然伽马反演时，对自然伽马曲线进行了平滑处理，平滑后的自然伽马曲线对于薄层的识别能力有一定程度的下降，但是凸显了砂、泥厚层的分布，同时也带来了反演速度的提升，所用的反演时间缩短为4个小时，因此，在利用自然伽马曲线进行地震反演之前，该方法还包括对自然伽马曲线进行平滑处理的步骤。

需要说明的是，本实施例基于对构造软煤形成原因的分析，利用了断层的分布来反映构造软煤，但是，如果仅采用蚂蚁数据体进行预测，那么若某一位置处没有出现断层时则无法准确判断该位置是否存在构造软煤，且某一位置即便存在断层时也无法准确断定构造软煤位于断层范围内的哪一个区域，可见基于单一属性的预测方法存在一定的欠缺，因此本实施例提供一种多属性融合后预测的方案，同时利用断层的分布情况、密度和自然伽马的变化来反映构造软煤的发育，并且，由于融合值无法与构造软煤之间统一量纲进行对比，因此本实施例还利用融合值的变化情况与实揭的瓦斯突出点进行匹配，从而确定出构造软煤的发育区域。

还需要说明的是，由于上述方案中应用了三维地震数据，相较于煤样、钻孔、测井等数据仅能代表一个点或者一条线，三维的地震数据体能够提高横向预测的准确度，并且，在远离钻孔一定区域(或煤层未揭露区)的构造软煤的分布也能实现准确预测。

基于同一发明构思，本申请实施例中还提供一种构造软煤发育区的预测装置，参照图3，该装置包括：

数据获取模块201，用于获取研究区域内的三维地震数据以及测井曲线；

数据处理模块202，用于利用蚁群追踪算法对三维地震数据进行分析，获得蚂蚁数据体，以及，根据三维地震数据以及测井曲线进行以测井曲线为约束的地震反演，获得测井数据体；其中，蚂蚁数据体为研究区域地层中每一位置处的蚂蚁属性值的集合，蚂蚁属性值表示该位置处是否存在断层，测井数据体为研究区域地层中每一位置处的测井属性值的集合；

数据融合模块203，用于分别从蚂蚁数据体与测井数据体中提取目标煤层中各目标点的蚂蚁属性值以及测井属性值，并将每一目标点对应的蚂蚁属性值与测井属性值进行融合，获得目标煤层各目标点的融合值；

预测模块204，用于根据各目标点的融合值与设定阈值的关系在目标煤层的平面上划分出至少一个区域，将预先获得的存在构造软煤的位置与至少一个区域的位置进行对比，并根据对比结果从至少一个区域中确定构造软煤的发育区域。

可选地，测井曲线包括密度曲线以及自然伽马曲线，数据处理模块202具体用于：根据三维地震数据以及密度曲线进行以密度曲线为约束的地震反演，获得密度数据体，以及，根据三维地震数据以及自然伽马曲线进行以自然伽马曲线为约束的地震反演，获得自然伽马数据体，密度数据体和自然伽马数据体分别为研究区域地层中每一位置处的密度值的集合与自然伽马值的集合；数据融合模块203具体用于：分别从蚂蚁数据体、密度数据体以及自然伽马数据体中提取目标煤层中各目标点的蚂蚁属性值、密度值以及自然伽马值，并将每一目标点对应的蚂蚁属性值、密度值以及自然伽马值进行融合。

可选地，数据处理模块202还用于：对自然伽马曲线进行平滑处理。

可选地，数据处理模块202具体用于：利用概率神经网络模型对三维地震数据以及测井曲线进行地震反演。

上述提供的构造软煤发育区的预测装置与前一方法实施例的基本原理及产生的技术效果相同，为简要描述，本实施例部分未提及之处，可参考上述的方法实施例中的相应内容，在此不做赘述。

请参阅图4，本实施例提供一种电子设备300，包括处理器301和存储器302，存储器302中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器301加载并执行以实现上述实施例提供的构造软煤发育区的预测方法。电子设备300还可以包括通信接口303、通信总线304，其中，处理器301、存储器302和通信接口303通过通信总线304完成相互间的通信。

存储器302可以包括高速随机存取存储器(作为缓存)，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。通信总线304是连接所描述的元素的电路并且在这些元素之间实现传输。例如，处理器301通过通信总线304从其它元素接收到命令，解码接收到的命令，根据解码的命令执行计算或数据处理。通信接口303将该电子设备300与其它网络设备、用户设备、网络进行连接。例如，通信接口303可以通过有线或无线连接到网络以连接到外部其它的网络设备或用户设备。无线通信可以包括以下至少一种：WIFI、蓝牙、蜂窝通信和全球移动通讯系统(Global System for Mobilecommunication，GSM)等，有线通信可以包括以下至少一种：通用串行总线(UniversalSerial Bus，USB)、高清晰度多媒体接口(High Definition Multimedia Interface，HDMI)、异步传输标准接口(Recommended Standard232，RS-232)等。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

需要说明的是，功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种构造软煤发育区的预测方法，其特征在于，包括：

获取研究区域内的三维地震数据以及测井曲线；

利用蚁群追踪算法对所述三维地震数据进行分析，获得蚂蚁数据体，所述蚂蚁数据体为研究区域地层中每一位置处的蚂蚁属性值的集合，所述蚂蚁属性值表示该位置处是否存在断层；

根据所述三维地震数据以及所述测井曲线进行以测井曲线为约束的地震反演，获得测井数据体，所述测井数据体为研究区域地层中每一位置处的测井属性值的集合；

分别从蚂蚁数据体与测井数据体中提取目标煤层中各目标点的蚂蚁属性值以及测井属性值，并将每一目标点对应的蚂蚁属性值与测井属性值进行融合，获得目标煤层各目标点的融合值；

根据各目标点的融合值与设定阈值的关系在所述目标煤层的平面上划分出至少一个区域，将预先获得的存在构造软煤的位置与所述至少一个区域的位置进行对比，并根据对比结果从所述至少一个区域中确定构造软煤的发育区域。

2.根据权利要求1所述的方法，其特征在于，所述测井曲线包括密度曲线以及自然伽马曲线，根据所述三维地震数据以及所述测井曲线进行以测井曲线为约束的地震反演，获得测井数据体，包括：

根据所述三维地震数据以及所述密度曲线进行以密度曲线为约束的地震反演，获得密度数据体，以及，根据所述三维地震数据以及所述自然伽马曲线进行以自然伽马曲线为约束的地震反演，获得自然伽马数据体，所述密度数据体和所述自然伽马数据体分别为研究区域地层中每一位置处的密度值的集合与自然伽马值的集合；

所述分别从蚂蚁数据体与测井数据体中提取目标煤层中各目标点的蚂蚁属性值以及测井属性值，并将每一目标点对应的蚂蚁属性值与测井属性值进行融合，包括：

分别从蚂蚁数据体、密度数据体以及自然伽马数据体中提取目标煤层中各目标点的蚂蚁属性值、密度值以及自然伽马值，并将每一目标点对应的蚂蚁属性值、密度值以及自然伽马值进行融合。

3.根据权利要求2所述的方法，其特征在于，在根据所述三维地震数据以及所述自然伽马曲线进行以自然伽马曲线为约束的地震反演之前，所述方法还包括：

对所述自然伽马曲线进行平滑处理。

4.根据权利要求2所述的方法，其特征在于，根据所述三维地震数据以及所述测井曲线进行以测井曲线为约束的地震反演，包括：

利用概率神经网络模型对所述三维地震数据以及测井曲线进行地震反演。

5.根据权利要求4所述的方法，其特征在于，在利用概率神经网络模型对所述三维地震数据以及测井曲线进行地震反演之前，所述方法还包括：

利用研究区域内各钻孔的密度曲线和自然伽马曲线对概率神经网络模型进行训练以及交叉验证，以确定所述概率神经网络模型的参数。

6.根据权利要求5所述的方法，其特征在于，利用研究区域内各钻孔的密度曲线和自然伽马曲线对概率神经网络模型进行训练，包括：

利用研究区域内各钻孔的满足预设条件的密度曲线和自然伽马曲线对所述概率神经网络模型进行训练，其中，所述预设条件是指曲线的变化程度大于预设程度。

7.一种构造软煤发育区的预测装置，其特征在于，包括：

数据获取模块，用于获取研究区域内的三维地震数据以及测井曲线；

数据处理模块，用于利用蚁群追踪算法对所述三维地震数据进行分析，获得蚂蚁数据体，以及，根据所述三维地震数据以及所述测井曲线进行以测井曲线为约束的地震反演，获得测井数据体，其中，所述蚂蚁数据体为研究区域地层中每一位置处的蚂蚁属性值的集合，所述蚂蚁属性值表示该位置处是否存在断层，所述测井数据体为研究区域地层中每一位置处的测井属性值的集合；

数据融合模块，用于分别从蚂蚁数据体与测井数据体中提取目标煤层中各目标点的蚂蚁属性值以及测井属性值，并将每一目标点对应的蚂蚁属性值与测井属性值进行融合，获得目标煤层各目标点的融合值；

预测模块，用于根据各目标点的融合值与设定阈值的关系在所述目标煤层的平面上划分出至少一个区域，将预先获得的存在构造软煤的位置与所述至少一个区域的位置进行对比，并根据对比结果从所述至少一个区域中确定构造软煤的发育区域。

8.根据权利要求7所述的装置，其特征在于，所述测井曲线包括密度曲线以及自然伽马曲线，所述数据处理模块具体用于：

根据所述三维地震数据以及所述密度曲线进行以密度曲线为约束的地震反演，获得密度数据体，以及，根据所述三维地震数据以及所述自然伽马曲线进行以自然伽马曲线为约束的地震反演，获得自然伽马数据体，所述密度数据体和所述自然伽马数据体分别为研究区域地层中每一位置处的密度值的集合与自然伽马值的集合；

所述数据融合模块具体用于：分别从蚂蚁数据体、密度数据体以及自然伽马数据体中提取目标煤层中各目标点的蚂蚁属性值、密度值以及自然伽马值，并将每一目标点对应的蚂蚁属性值、密度值以及自然伽马值进行融合。

9.根据权利要求8所述的装置，其特征在于，所述数据处理模块还用于：对所述自然伽马曲线进行平滑处理。

10.根据权利要求8所述的装置，其特征在于，所述数据处理模块具体用于：利用概率神经网络模型对所述三维地震数据以及测井曲线进行地震反演。