煤層氣水平井的煤層實時識別技術

摘 要

摘要:煤層氣排采開發(fā)階段,井眼軌跡與煤層的有效接觸面積對優(yōu)化采氣速度和提高采收率有著重要意義。而在煤層氣水平井鉆井過程中實時、精確地識別煤層,可以明顯地提高井眼軌跡在

摘要:煤層氣排采開發(fā)階段,井眼軌跡與煤層的有效接觸面積對優(yōu)化采氣速度和提高采收率有著重要意義。而在煤層氣水平井鉆井過程中實時、精確地識別煤層,可以明顯地提高井眼軌跡在煤層中延伸長度,增加有效接觸面積。應用LWD數(shù)據(jù)開展煤層識別已在工程現(xiàn)場得到廣泛應用,而整合綜合錄井數(shù)據(jù)實時識別煤層的方法還處于研究階段?;诿簩优c圍巖的地層巖性差異在綜合錄井數(shù)據(jù)上表現(xiàn)的特征,采用BP神經(jīng)網(wǎng)絡算法,以綜合錄井數(shù)據(jù)為依托,提出了實時識別煤層的錄井解釋方法。研究顯示,通過煤層識別錄井解釋方法,應用綜合錄井數(shù)據(jù)不但可以實現(xiàn)煤層實時識別,而且獲得的分析結(jié)果還可以指導水平段軌跡在煤層中的延伸,為水平井鉆進過程中煤層識別提供了新的思路。結(jié)論認為,該方法性能穩(wěn)定,數(shù)據(jù)來源廣泛,響應時間短,準確度高,并拓寬了綜合錄井數(shù)據(jù)的應用領域,可以在煤層氣水平井導向鉆井的研究工作中發(fā)揮更大的作用。
關鍵詞:煤層氣;水平井;綜合錄井;神經(jīng)網(wǎng)絡;煤層識別;實時;水平段軌跡
    煤層氣水平井通過增加軌跡與煤層的接觸面積來提高煤層氣產(chǎn)量和采收率。而為了提高煤層的有效鉆遇率,獲得盡可能大的接觸面積,則要求在鉆進過程中能夠?qū)崟r識別煤層,從而確保井眼軌跡始終處于煤層中[1],進而增加水平井眼軌跡在煤層中的進尺長度。在配備LWD設備進行隨鉆測井的情況下,煤層實時識別主要是通過對測井數(shù)據(jù)的分析處理進行的;而在未配備LWD設備的情況下,通常都是通過巖屑和氣測數(shù)據(jù)進行地層識別[2],一方面這種識別方法時效性較差、綜合分析水平較低;另一方面綜合錄井工程開展了大量鉆井工程參數(shù)的測量工作,這些工程參數(shù)通常只用來監(jiān)測工程狀態(tài),卻沒有加以充分應用來發(fā)揮其在地層識別中的綜合分析評價能力。因此,筆者開展了以綜合錄井為技術手段、依托綜合錄井數(shù)據(jù)分析解釋的煤層實時識別方法研究[3]。該方法主要解決由地層差異作用導致綜合錄井數(shù)據(jù)波動的非線性問題,通過對地層巖性與綜合錄井數(shù)據(jù)對應關系的匹配形式進行自主學習[4],獲得反映對應關系的識別模型,繼而利用識別模型實現(xiàn)煤層的快速、準確識別。通過該方法的應用,有效地發(fā)揮了綜合錄井數(shù)據(jù)的綜合評價潛能,提高煤層識別的自動分析評價水平,推動煤層識別手段的進步。
1 煤層實時識別模型
    煤層實時識別是通過分析綜合錄井數(shù)據(jù)與地層巖性相對應的、具有特定規(guī)律的非線性關系,將其擬合處理成為線性表達式,通過計算實現(xiàn)地層的分類識別。但是反映地層差異的錄井參數(shù)眾多,而部分參數(shù)又難以準確測度,受人為干擾較大[5]。因此,解決煤層實時識別問題就需要選擇一種既具有實時性,又擅長解決規(guī)律隱含在大量數(shù)據(jù)中的映射逼近方法。而數(shù)學理論證明神經(jīng)網(wǎng)絡具有解決任何復雜非線性映射的能力,這使得它特別適合于煤層實時識別的問題[6]。神經(jīng)網(wǎng)絡在地層識別分析中的應用就是通過把鉆井過程中采集到的參數(shù)、工程計算結(jié)果作為輸入,建立適用于地層識別分析的神經(jīng)網(wǎng)絡模型作為推理機,網(wǎng)絡的輸出就是地層識別結(jié)果。通過對可靠歷史樣本數(shù)據(jù)的學習,不斷提高分析模型的擬合度,逼近實際鉆井過程地層變化狀況。煤層實時識別模型由模型建立、模型判識和校正分析3部分組成,如圖1所示。識別模型建立的實質(zhì)是調(diào)節(jié)BP神經(jīng)網(wǎng)絡各層節(jié)點的閾值和節(jié)點之間的連接權值以使網(wǎng)絡運算誤差不斷減小,直到達到設定的誤差允許范圍,從而使網(wǎng)絡學會并記憶給定的學習樣本集。模型判識的實質(zhì)就是將待判識的數(shù)據(jù)輸入訓練收斂的BP神經(jīng)網(wǎng)絡進行分析計算,從而對輸入數(shù)據(jù)進行分類識別。而校正分析模塊則是將網(wǎng)絡判識結(jié)果與實際結(jié)果對比,進行判識結(jié)果校正和學習樣本的實時提取。
 

BP神經(jīng)網(wǎng)絡可以看作是一個從輸入空間到輸出空間的高度非線性映射。由萬能逼近定理[7]知:含一個隱含層的3層BP神經(jīng)網(wǎng)絡,只要隱含層節(jié)點足夠多,就能以任意精度逼近有界區(qū)域上的任意連續(xù)函數(shù)。由此,眾多神經(jīng)網(wǎng)絡的應用中,以如圖2所示的3層網(wǎng)絡結(jié)構的應用最為普遍。
 

2 煤層實時識別技術
2.1 實時識別算法
    煤層實時識別算法主要分為兩部分,分別為自主學習算法和判識分析算法。在自主學習算法中,分析研究區(qū)內(nèi)地層巖性和綜合錄井參數(shù)的對應特征,選取代表地層變化趨勢的錄井參數(shù)作為神經(jīng)網(wǎng)絡輸入?yún)?shù),地層分類作為輸出參數(shù),構建學習樣本集,運用數(shù)學手段建立地層識別模型。而在判識分析算法中,結(jié)合地層識別模型,通過運算分類,對煤層實現(xiàn)實時識別。
2.1.1 自主學習算法
    以圖2所示3層神經(jīng)網(wǎng)絡結(jié)構為算法構建依據(jù),按照如下步驟[7~8]進行計算,實現(xiàn)網(wǎng)絡的建立:
    1) 網(wǎng)絡初始化,輸入層、隱含層和輸出層節(jié)點個數(shù)分別為n、P和q,對各層連接權值wih、who和節(jié)點閾值θh、θo賦一個隨機數(shù),該隨機數(shù)在區(qū)間(-1,1)內(nèi);給定計算精度ε(ε<0)和最大學習次數(shù)M,學習步長η。
    2) 選擇km個樣本集中的第是(從k=1開始)個輸入樣本向量xk=(x1,x2,…,xn)k,及對應的期望輸出向量dk=(d1,d2,…,dn)k。對輸入數(shù)據(jù)進行歸一化處理,期望輸出數(shù)據(jù)進行正交編碼處理。
3) 計算隱含層和輸出層各節(jié)點的輸入向量hik、jik擴和輸出向量hok、yok,f(x)為傳輸函數(shù):
 
4) 輸出層輸出向量yok與期望輸出向量dk結(jié)合,計算誤差函數(shù)對輸出層的各節(jié)點的偏導數(shù)δok
 
    5) 隱含層到輸出層的連接權值who、輸出層的δok和隱含層的輸出向量hok結(jié)合,計算誤差函數(shù)對隱含層的各節(jié)點的偏導數(shù)δhk
 
    6) 使用輸出層各節(jié)點的δok和隱含層各節(jié)點的輸出向量hok來修正連接權值who和閾值θo
    7) 使用隱含層各節(jié)點的δhk和輸入層各節(jié)點的輸入xk來修正連接權值wih和閾值θh
 
    8) 計算全局誤差
    9) 判斷網(wǎng)絡誤差是否滿足要求。
    當時Ek>ε,選取下一組學習樣本,返回到步驟2),進行再次學習;當學習次數(shù)達到設定的最大次數(shù)M而未收斂時,說明網(wǎng)絡參數(shù)設置不合理,網(wǎng)絡收斂速度慢,在對參數(shù)進行調(diào)整后,重新開始網(wǎng)絡學習;直到在規(guī)定的學習次數(shù)M范圍內(nèi)Ek<ε時,網(wǎng)絡收斂,可以進行網(wǎng)絡判識。
2.1.2 判識分析算法
    1) 將待判識錄井數(shù)據(jù)輸入神經(jīng)網(wǎng)絡,計算網(wǎng)絡輸出向量yok
 
    2) 結(jié)合學習過程中設定的期望輸出向量,對計算出的輸出向量進行分類。
2.2 算法修正
    實時識別算法在實際應用過程中需要對部分參數(shù)進行適當調(diào)整,從而對算法進行修正,調(diào)整后的算法在分析海量錄井數(shù)據(jù)時計算速度會加快,準確性也會相應提高。通過實驗證明,在煤層實時識別算法中需要作如下參數(shù)調(diào)整和算法修正:
    1) 隱含層節(jié)點數(shù)的多少對網(wǎng)絡性能和收斂速度有很大影響。但是目前沒有可靠的理論和方法可以準確確定隱含層節(jié)點個數(shù),該算法中應用了的經(jīng)驗公式,其中,a為[1,10]之間的常數(shù)。
    2) 算法未修正前,直接使用錄井原始數(shù)據(jù)進行計算,經(jīng)常出現(xiàn)溢出情況,于是對輸入層數(shù)據(jù)進行了歸一化方式為的處理,將采樣值波動幅度較大的錄井數(shù)據(jù)處理到[-1,1]的范圍內(nèi),從而避免計算過程中數(shù)據(jù)溢出,也相應的提高了運算速度。需要注意的是,在學習過程和判識過程中,對網(wǎng)絡輸入數(shù)據(jù)的歸一化方式要保持一致。
    3) 由于煤層實時識別算法主要用于進行地層分類分類識別。因此,運算過程中傳輸函數(shù)f(x)采用了單極sigmoid激勵函數(shù),即
    4) 在最初的識別算法中,樣本的期望輸出值設定為0或1,采用sigmoid激勵函數(shù),造成了網(wǎng)絡部分節(jié)點連接權值的無窮大,網(wǎng)絡不收斂。在該算法中,期望輸出做了適當放寬,采用了0.1和0.9的形式。
3 應用測試
結(jié)合煤層實時識別算法,我們編制了Visual Basic程序,實現(xiàn)了神經(jīng)網(wǎng)絡學習訓練和地層判識的軟件應用,并設計實驗進行了應用測試(表1)。在該實驗設計中,測試實現(xiàn)對地層進行煤層、泥巖層、砂巖層3種地層模式的分類識別。因此,設定以上3種地層樣本作為網(wǎng)絡輸出。而通過對某區(qū)塊的綜合錄井數(shù)據(jù)進行預先分析,提取出了與地層變化關聯(lián)性較好的8項錄井參數(shù),作為網(wǎng)絡的輸入。隱含層設置為1層,節(jié)點設置為5個,從而構建一個8-5-3的3層神經(jīng)網(wǎng)絡。
 
    從所獲取的地層數(shù)據(jù)中選取53組綜合錄井整米數(shù)據(jù)和對應的地層解釋數(shù)據(jù)作為學習樣本,供網(wǎng)絡自主學習。按照2.1.1中的計算步驟對這個神經(jīng)網(wǎng)絡進行學習訓練。設置網(wǎng)絡計算精度為10-5,步長為2,在經(jīng)過3637次學習訓練后,網(wǎng)絡收斂,達到精度要求,識別模型建立。
    再選取學習樣本以外的12組數(shù)據(jù)作為待識別模式進行檢驗。按照2.1.2中步驟進行計算,將結(jié)果輸出(見表1)。由以上結(jié)果可見,在12組地層數(shù)據(jù)中,神經(jīng)網(wǎng)絡識別正確11組,準確度達到了91.7%,實現(xiàn)了對煤層的有效識別。
4 結(jié)論
    1) 對實時識別煤層的方法進行了探索性研究,開創(chuàng)了神經(jīng)網(wǎng)絡與綜合錄井數(shù)據(jù)結(jié)合的地層識別分析手段,提出了煤層氣水平井煤層實時識別模型的建構,提煉了實時識別算法,實現(xiàn)了煤層的實時識別,有效地提高了錄井數(shù)據(jù)的綜合利用水平。
    2) 在煤層氣水平井煤層實時識別方法的理論基礎上,開發(fā)了相應的煤層實時識別軟件系統(tǒng),通過增加計算機的輔助自動分析能力,提高了現(xiàn)場煤層識別的響應速度,減少了人工分析的不確定性。
    3) 應用該方法配合相應圖形顯示軟件,不僅可以實時識別煤層,監(jiān)測水平段軌跡在煤層中的延伸,還可以對軌跡的著陸控制起到指導作用。
參考文獻
[1] MESZAROS G.Geosteering horizontal coalbed methane reservoirs:a case study[C].Denver,Colorado,USA:SPE,2007,SPE 107714.
[2] 趙慶波,孫斌.煤層氣地質(zhì)與勘探技術[M].北京:石油工業(yè)出版社,1999.
[3] FAICONER I G,BURGESS TM.Eparating bit and lithology effects from drilling mechanics data[C].Dallas,Texas,USA:SPE,1998,SPE 17191.
[4] 楊進,張輝.地層巖性隨鉆識別的神經(jīng)網(wǎng)絡方法研究[J].天然氣工業(yè),2006,26(12):109-111.
[5] 方錫賢.煤層氣勘探中的錄井技術[J].天然氣工業(yè),2004,24(5):36-38.
[6] 孫即祥.現(xiàn)代模式識別[M].北京;高等教育出版社,2008.
[7] 魏海坤.神經(jīng)網(wǎng)絡結(jié)構設計的理論與方法[M].北京:國防工業(yè)出版社,2005.
[8] 田景文,高美娟.人工神經(jīng)網(wǎng)絡算法研究及應用[M].北京:北京理工大學出版社,2006.
 
(本文作者:李建民 李黔 梁海波 張繼軍 樂守群 西南石油大學石油工程學院)