煤层含气量预测是煤层气资源勘探和开发利用初期的重要研究内容之一。利用测井数据来约束地震属性反演配合线性映射模型是目前煤层含气量预测的常用方法之一,然而该方法的预测精度难以控制,普适性受到了极大的限制。BP神经网络预测模型常被运用于煤层含气量预测领域,但传统的BP模型在面对复杂情景时往往容易出现收敛速度慢,易陷入局部最优以及预测结果受网络初始值影响大等问题。基于此,本文提出了一种以人工蜂群算法为特征的改进的BP神经网络预测方法,并联合优选地震属性,将其应用于煤层含气量预测领域。以沁水盆地某工区3号煤层为研究对象,首先,针对研究区的具体地质情况,依据三维地震勘探数据,提取出目标储层的叠前和叠后地震属性切片;其次,利用R型聚类分析法对提取属性进行分类,优选出5种对煤层含气量变化反应最为敏感且相互独立的地震属性;再利用人工蜂群寻优算法（ABC）来确定BP神经网络的输入层与隐含层的最优连接权值和隐含层的最优阈值,构建具有鲁棒性的ABC-BP神经网络预测模型,并以井位置的优选地震属性和含气量数据为样本训练该模型;最后,以整个工区目标储层的优选地震属性为输入,进行工区内煤层含气量的预测。为了进一步验证ABC-BP模型的预测精度和改进效果,本次研究以相同的数据带入到传统BP神经网络预测模型中来进行训练与预测,并将两预测模型的结果进行了对比分析。预测结果表明:相较于传统的BP神经网络预测模型,改进后的ABC-BP预测模型预测精度更高,误差范围更稳定,预测效果更加理想。其中:ABC-BP模型的预测结果与各井含气量的变化趋势基本吻合,训练井处的平均误差率为0.11%,相比于BP模型低0.72%,验证井处的平均误差率为2.22%,相比于BP模型低1.57%,此外,ABC-BP模型对煤层含气量的预测无论是高值、低值还是中等值,预测精度均较高,误差范围稳定,而BP神经网络预测模型对高值和低值的预测相较于其他位置的井效果欠佳,误差范围不稳定。因此,本文认为,改进后的ABC-BP预测模型可靠性高,适用性强,可有效用于煤层含气量的预测工作。图[33]表[6]参[119]。