本发明公开了一种基于SVM理论的煤体结构智能预测方法，通过测试构造煤和原生煤的弹性模量E和泊松比σ信息，构建煤体结构智能分类器，推导新的叠前地震反演公式，将目标矿区的原始地震资料经过静校正、去噪与偏移等地震数据关键处理环节后生成部分叠加角度道集并将其代入叠前地震反演公式，完成基于SVM的目标矿区煤层煤体结构分类结果并按照平面坐标位置显示成图，从而实现目标矿区构造煤分布的智能预测，这种方式能较准确的预测出矿区内构造煤的分布情况，可为矿井煤与瓦斯突出事故预测与煤层气资源开采提供科学参考依据。
1.一种基于SVM理论的煤体结构智能预测方法，其特征在于，具体步骤为：
A、在目标矿区分别采集构造煤和原生煤煤样，将采集的构造煤和原生煤加工成标准的圆柱体，然后选择相同数量的构造煤圆柱体和原生煤圆柱体，分别作为构造煤试样和原生煤试样；
B、将构造煤试样和原生煤试样分别在智能超声纵横波综合测试仪完成超声波弹性参数测试，分别获得构造煤试样和原生煤试样的煤样纵波速度Vp和横波速度Vs，然后利用天平和量筒分别测量得出构造煤试样和原生煤试样的密度ρ，将获得的参数数据代入公式(1)和(2)计算得出煤试样和原生煤试样的弹性模量E和泊松比σ信息；
C、将构造煤试样和原生煤试样的E和σ信息作为输入向量，将已知的煤体结构类型信息作为输出向量，选择径向基函数作为核函数，搜索确定惩罚因子的最佳关键参数，基于SVM进行训练，构建煤层构造煤智能识别模型；
D、基于Hilterman近似方程，推导E和σ参数表示的叠前地震反演公式，如公式(3)所示；
引入贝叶斯理论,采用最大后验概率分布法实现最优解估计，预假设先验满足修正的Cauchy分布，推导反演目标方程，并采用加权最小二乘算法求解实现，建立贝叶斯理论框架下的叠前地震反演过程；
其中R(θ)表示反射系数，θ表示入射角，γ代表横波与纵波速度比，ΔE代表反射界面两侧的弹性模量差值，Δρ代表反射界面两侧的密度差值，Δσ代表反射界面两侧的泊松比差值；
E、采用地震数据处理软件对目标矿区地震数据处理，具体过程为将原始地震资料先进行野外一次静校正，然后划分面元进行线性干扰去噪处理，完成后经过地表一致性预测反褶积、速度分析和地表一致性剩余静校正后得到NMO道集，最后将NMO道集通过相关法去噪处理后生成部分叠加角度道集；
F、以生成的角度道集和矿区收集的测井资料为基础，代入到步骤D建立的叠前地震反演方程，获得目标矿区的E和σ信息的三维数据体信息；
G、将得出的三维数据体信息作为待学习样本，代入步骤C构建的构造煤智能识别模型，基于SVM完成煤体结构的分类，将煤体结构分类结果按照平面坐标位置显示成图，从而实现目标矿区构造煤分布的智能预测。
2.根据权利要求1所述的一种基于SVM理论的煤体结构智能预测方法，其特征在于，所述步骤E生成的部分叠加角度道集的中心角分别为0°、7°、14°和21°。
3.根据权利要求1所述的一种基于SVM理论的煤体结构智能预测方法，其特征在于，所述步骤A分别制作50个构造煤试样和50个原生煤试样。
一种基于SVM理论的煤体结构智能预测方法
技术领域
[0001] 本发明涉及一种智能预测方法，具体是一种基于SVM理论的煤体结构智能预测方法。
背景技术
[0002] 构造煤尤其是糜棱煤发育区是煤与瓦斯突出发生的必要条件，因此煤体结构的破坏程度可作为衡量瓦斯突出危险性的一项重要指标；而同时煤层中构造煤的分布作为瓦斯(煤层气)富集的重要影响因素，构造煤的分布对煤层气资源的开采具有重大意义。近年来关于构造煤的预测方法仍局限在测井信息或者地震波波阻抗信息及相关地震属性信息层面，但是这些预测方法人为干预较多，预测精度受到限制；另外由于构造煤与原生煤弹性参数差异显著，因此如何利用岩性弹性参数进行矿区构造煤分布预测是本行业的重要研究方向。
发明内容
[0003] 针对上述现有技术存在的问题，本发明提供一种基于SVM理论的煤体结构智能预测方法，通过获取目标矿区岩层的弹性参数，从而可预测得出目标矿区煤层构造煤分布情况，可为矿井煤与瓦斯突出事故预测与煤层气资源开采提供科学参考依据。
[0004] 为了实现上述目的，本发明采用的技术方案是：一种基于SVM理论的煤体结构智能预测方法，具体步骤为：
[0005] A、在目标矿区分别采集构造煤和原生煤煤样，将采集的构造煤和原生煤加工成标准的圆柱体，然后选择相同数量的构造煤圆柱体和原生煤圆柱体，分别作为构造煤试样和原生煤试样；
[0006] B、将构造煤试样和原生煤试样分别在智能超声纵横波综合测试仪完成超声波弹性参数测试，分别获得构造煤试样和原生煤试样的煤样纵波速度Vp和横波速度Vs，然后利用天平和量筒分别测量得出构造煤试样和原生煤试样的ρ信息，将获得参数数据代入到公式(1)和(2)计算得出煤样试样的E和σ信息；
[0007]
[0008]
[0009] C、将构造煤试样和原生煤试样的E和σ信息作为输入向量，将已知的煤体结构类型信息作为输出向量，选择径向基函数作为核函数，搜索确定惩罚因子的最佳关键参数，基于SVM(即支持向量机)进行训练，构建煤层构造煤智能识别模型；
[0010] D、基于Hilterman近似方程，推导E和σ参数表示的叠前地震反演公式，如公式(3)所示；引入贝叶斯理论,采用最大后验概率分布法实现最优解估计，预假设先验满足修正的Cauchy分布，推导反演目标方程，并采用加权最小二乘算法求解实现，建立贝叶斯理论框架下的叠前地震反演方法；
[0011]
[0012] 其中R(θ)表示反射系数，θ表示入射角，γ代表横波速度与纵波速度比，ΔE代表反射界面两侧的弹性模量差值，Δρ代表反射界面两侧的密度差值，Δσ代表反射界面两侧的泊松比差值；
[0013] E、采用地震数据处理软件对目标矿区地震数据处理，具体过程为将原始地震资料先进行野外一次静校正，然后划分面元进行线性干扰去噪处理，完成后经过地表一致性预测反褶积、速度分析和地表一致性剩余静校正后得到NMO道集，最后将NMO道集通过相关法去噪处理后生成部分叠加角度道集；
[0014] F、以生成的角度道集和矿区测井资料为基础，根据步骤D建立的叠前地震反演方程，获取目标矿区的E和σ信息的三维数据体信息；
[0015] G、将得出的三维数据体信息作为待学习样本，代入步骤C构建的构造煤智能识别模型，基于SVM完成煤体结构的分类，将煤体结构分类结果按照平面坐标位置显示成图，从而实现目标矿区构造煤分布的智能预测。
[0016] 进一步，所述步骤E生成的部分叠加角度道集的中心角分别为0°、7°、14°和21°。
[0017] 进一步，所述步骤A分别制作50个构造煤试样和50个原生煤试样。
[0018] 与现有技术相比，本发明采用测试构造煤和原生煤的弹性模量和泊松比信息构建构造煤分类器，建立新的叠前地震反演过程，最终得出目标矿区的煤体结构分类结果按照平面坐标位置显示成图，从而实现目标矿区构造煤分布的智能预测，这种方式能较准确的预测出矿区内构造煤的分布情况，为矿井煤与瓦斯突出事故预测与煤层气资源开采提供科学参考依据。
附图说明
[0019] 图1是本发明中地震数据的处理流程图；
[0020] 图2是本发明的工作流程图。
具体实施方式
[0021] 下面将对本发明作进一步说明。
[0022] 如图1和图2所示，本发明的具体步骤为：
[0023] A、在目标矿区分别采集构造煤和原生煤，将采集的构造煤和原生煤加工成标准的圆柱体，然后选择相同数量的构造煤圆柱体和原生煤圆柱体，分别作为构造煤试样和原生煤试样；
[0024] B、将构造煤试样和原生煤试样分别在智能超声纵横波综合测试仪完成超声波弹性参数测试，分别获得构造煤试样和原生煤试样的煤样Vp和Vs信息，然后利用天平和量筒分别测量得出构造煤试样和原生煤试样的ρ，将测试获得参数数据代入公式(1)和(2)计算得出煤样试样的E和σ信息；
[0025]
[0026]
[0027] C、将构造煤试样和原生煤试样的E和σ信息作为输入向量，将已知的煤体结构类型信息作为输出向量，选择径向基函数作为核函数，搜索确定惩罚因子的最佳关键参数，采用基于SVM(即支持向量机)进行训练，生成构造煤智能识别模型；
[0028] D、基于Hilterman近似方程，推导E和σ表示的叠前地震反演公式，如公式(3)所示；引入贝叶斯理论,采用最大后验概率分布法实现最优解估计，预假设先验满足修正的Cauchy分布，推导反演目标方程，并采用加权最小二乘算法求解实现，建立贝叶斯理论框架下的叠前地震反演过程；
[0029]
[0030] 其中R(θ)表示反射系数，θ表示入射角，γ代表横波与纵波速度比，ΔE代表反射界面两侧的弹性模量差值，Δρ代表反射界面两侧的密度差值，Δσ代表反射界面两侧的泊松比差值；
[0031] E、采用DELL工作站CGG地震数据处理软件对目标矿区地震数据处理，始终坚持以保护真实振幅的相对关系为基本原则，具体过程为将原始地震资料先进行野外一次静校正，然后划分面元进行线性干扰去噪处理，完成后经过地表一致性预测反褶积、速度分析和地表一致性剩余静校正后得到NMO道集，最后将NMO道集通过相关法去噪处理后生成部分叠加角度道集；
[0032] F、以生成的角度道集和矿区测井资料为基础，根据步骤D建立的叠前地震反演过程，获得目标矿区的E和σ的三维数据体信息；
[0033] G、将得出的三维数据体信息作为待学习样本，代入步骤C构建的构造煤智能识别模型，基于SVM完成煤体结构的分类，将煤体结构分类结果按照平面坐标位置显示成图，从而实现目标矿区构造煤分布的智能预测。
[0034] 进一步，所述步骤E生成的部分叠加角度道集的中心角分别为0°、7°、14°和21°。进一步，所述步骤A分别制作50个构造煤试样和50个原生煤试样。
