煤田地质与勘探

作者：边会媛, 姬嘉骏, 段朝伟, 周军, 李坤, 马予梒,

关键词：煤体结构, 深度学习, CNN-BiLSTM-Attention, 贝叶斯优化, 测井数据,

背景含煤盆地在多期构造变形作用下形成原生煤与构造煤，孔裂隙发育情况、渗透性与力学性能的不同导致煤层含气性差异大，煤体结构评价对煤层气的勘探开发至关重要。目的和方法为提高煤体结构识别的准确性与智能化水平，构建了一种融合贝叶斯优化策略的CNN-BiLSTM-Attention混合模型。该方法结合卷积神经网络(convolutional neural network，CNN)的局部特征提取、双向长短期记忆网络(bidirection long short-term memory，BiLSTM)的时序建模和注意力机制(Attention)的特征聚焦能力，实现了多尺度测井数据的高效融合与表征。同时，采用贝叶斯优化自动调参，增强模型稳定性与训练效率。以鄂尔多斯盆地山西组与本溪组煤层为研究对象，基于常规测井数据，经过标准化处理、异常值剔除及缺失值插补，结合岩心资料构建了原生煤、原生−碎裂煤及碎裂煤的数据集，并采用交叉熵损失函数对模型进行训练与评估。结果和结论CNN-BiLSTM-Attention混合模型的准确率为95.12%，优于单一模型BiLSTM和CNN，各类煤体结构的精确率与召回率均超过93%，混淆矩阵显示误差分布均匀。在X2井中应用，混合模型在不同煤体结构过渡段表现出更高的一致性与判别力，显著减少了原生–碎裂煤与碎裂煤的错判。模型对测井数据的噪声具有良好鲁棒性，为煤层气精细评价提供了稳定可靠的技术支撑。

来源：2025年第11期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2025年第11期