李建民 李黔 梁海波 張繼軍 樂守群

西南石油大學(xué)石油工程學(xué)院

煤層氣水平井的煤層實(shí)時識別技術(shù)

李建民 李黔 梁海波 張繼軍 樂守群

西南石油大學(xué)石油工程學(xué)院

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(shí)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(yīng)用LWD數(shù)據(jù)開展煤層識別已在工程現(xiàn)場得到廣泛應(yīng)用,而整合綜合錄井?dāng)?shù)據(jù)實(shí)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?dāng)?shù)據(jù)上表現(xiàn)的特征,采用BP神經(jīng)網(wǎng)絡(luò)算法,以綜合錄井?dāng)?shù)據(jù)為依托,提出了實(shí)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(yīng)用綜合錄井?dāng)?shù)據(jù)不但可以實(shí)現(xiàn)煤層實(shí)時識別,而且獲得的分析結(jié)果還可以指導(dǎo)水平段軌跡在煤層中的延伸,為水平井鉆進(jìn)過程中煤層識別提供了新的思路。結(jié)論認(rèn)為,該方法性能穩(wěn)定,數(shù)據(jù)來源廣泛,響應(yīng)時間短,準(zhǔn)確度高,并拓寬了綜合錄井?dāng)?shù)據(jù)的應(yīng)用領(lǐng)域,可以在煤層氣水平井導(dǎo)向鉆井的研究工作中發(fā)揮更大的作用。

煤層氣 水平井 綜合錄井 神經(jīng)網(wǎng)絡(luò) 煤層識別 實(shí)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(jìn)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(jìn)而增加水平井眼軌跡在煤層中的進(jìn)尺長度。在配備LWD設(shè)備進(jìn)行隨鉆測井的情況下,煤層實(shí)時識別主要是通過對測井?dāng)?shù)據(jù)的分析處理進(jìn)行的;而在未配備LWD設(shè)備的情況下,通常都是通過巖屑和氣測數(shù)據(jù)進(jìn)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(yīng)用來發(fā)揮其在地層識別中的綜合分析評價(jià)能力。因此,筆者開展了以綜合錄井為技術(shù)手段、依托綜合錄井?dāng)?shù)據(jù)分析解釋的煤層實(shí)時識別方法研究[3]。該方法主要解決由地層差異作用導(dǎo)致綜合錄井?dāng)?shù)據(jù)波動的非線性問題,通過對地層巖性與綜合錄井?dāng)?shù)據(jù)對應(yīng)關(guān)系的匹配形式進(jìn)行自主學(xué)習(xí)[4],獲得反映對應(yīng)關(guān)系的識別模型,繼而利用識別模型實(shí)現(xiàn)煤層的快速、準(zhǔn)確識別。通過該方法的應(yīng)用,有效地發(fā)揮了綜合錄井?dāng)?shù)據(jù)的綜合評價(jià)潛能,提高煤層識別的自動分析評價(jià)水平,推動煤層識別手段的進(jìn)步。

1 煤層實(shí)時識別模型

煤層實(shí)時識別是通過分析綜合錄井?dāng)?shù)據(jù)與地層巖性相對應(yīng)的、具有特定規(guī)律的非線性關(guān)系,將其擬合處理成為線性表達(dá)式,通過計(jì)算實(shí)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(zhǔn)確測度,受人為干擾較大[5]。因此,解決煤層實(shí)時識別問題就需要選擇一種既具有實(shí)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(xué)理論證明神經(jīng)網(wǎng)絡(luò)具有解決任何復(fù)雜非線性映射的能力,這使得它特別適合于煤層實(shí)時識別的問題[6]。神經(jīng)網(wǎng)絡(luò)在地層識別分析中的應(yīng)用就是通過把鉆井過程中采集到的參數(shù)、工程計(jì)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(luò)模型作為推理機(jī),網(wǎng)絡(luò)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(xué)習(xí),不斷提高分析模型的擬合度,逼近實(shí)際鉆井過程地層變化狀況。煤層實(shí)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(shí)質(zhì)是調(diào)節(jié)BP神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)的閾值和節(jié)點(diǎn)之間的連接權(quán)值以使網(wǎng)絡(luò)運(yùn)算誤差不斷減小,直到達(dá)到設(shè)定的誤差允許范圍,從而使網(wǎng)絡(luò)學(xué)會并記憶給定的學(xué)習(xí)樣本集。模型判識的實(shí)質(zhì)就是將待判識的數(shù)據(jù)輸入訓(xùn)練收斂的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析計(jì)算,從而對輸入數(shù)據(jù)進(jìn)行分類識別。而校正分析模塊則是將網(wǎng)絡(luò)判識結(jié)果與實(shí)際結(jié)果對比,進(jìn)行判識結(jié)果校正和學(xué)習(xí)樣本的實(shí)時提取。

圖1 煤層實(shí)時識別模型圖

BP神經(jīng)網(wǎng)絡(luò)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(luò),只要隱含層節(jié)點(diǎn)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(luò)的應(yīng)用中,以如圖2所示的3層網(wǎng)絡(luò)結(jié)構(gòu)的應(yīng)用最為普遍。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2 煤層實(shí)時識別技術(shù)

2.1 實(shí)時識別算法

煤層實(shí)時識別算法主要分為兩部分,分別為自主學(xué)習(xí)算法和判識分析算法。在自主學(xué)習(xí)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(yīng)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(luò)輸入?yún)?shù),地層分類作為輸出參數(shù),構(gòu)建學(xué)習(xí)樣本集,運(yùn)用數(shù)學(xué)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(yùn)算分類,對煤層實(shí)現(xiàn)實(shí)時識別。

2.1.1 自主學(xué)習(xí)算法

以圖2所示3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為算法構(gòu)建依據(jù),按照如下步驟[7-8]進(jìn)行計(jì)算,實(shí)現(xiàn)網(wǎng)絡(luò)的建立:

1)網(wǎng)絡(luò)初始化,輸入層、隱含層和輸出層節(jié)點(diǎn)個數(shù)分別為n、p和q,對各層連接權(quán)值 wih、who和節(jié)點(diǎn)閾值θh、θo賦一個隨機(jī)數(shù),該隨機(jī)數(shù)在區(qū)間(-1,1)內(nèi);給定計(jì)算精度ε(ε<0)和最大學(xué)習(xí)次數(shù)M,學(xué)習(xí)步長η。

2)選擇km個樣本集中的第k(從k=1開始)個輸入樣本向量 xk=(x1,x2,…,xn)k,及對應(yīng)的期望輸出向量 dk=(d1,d2,…,dn)k。對輸入數(shù)據(jù)進(jìn)行歸一化處理,期望輸出數(shù)據(jù)進(jìn)行正交編碼處理。

3)計(jì)算隱含層和輸出層各節(jié)點(diǎn)的輸入向量 hik、yik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(jì)算誤差函數(shù)對輸出層的各節(jié)點(diǎn)的偏導(dǎo)數(shù)δ:

5)隱含層到輸出層的連接權(quán)值 who、輸出層的δ和隱含層的輸出向量hok結(jié)合,計(jì)算誤差函數(shù)對隱含層的各節(jié)點(diǎn)的偏導(dǎo)數(shù)δ:

9)判斷網(wǎng)絡(luò)誤差是否滿足要求。

當(dāng)時 Ek>ε,選取下一組學(xué)習(xí)樣本,返回到步驟2),進(jìn)行再次學(xué)習(xí);當(dāng)學(xué)習(xí)次數(shù)達(dá)到設(shè)定的最大次數(shù)M而未收斂時,說明網(wǎng)絡(luò)參數(shù)設(shè)置不合理,網(wǎng)絡(luò)收斂速度慢,在對參數(shù)進(jìn)行調(diào)整后,重新開始網(wǎng)絡(luò)學(xué)習(xí);直到在規(guī)定的學(xué)習(xí)次數(shù) M范圍內(nèi) Ek<ε時,網(wǎng)絡(luò)收斂,可以進(jìn)行網(wǎng)絡(luò)判識。

2.1.2 判識分析算法

1)將待判識錄井?dāng)?shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò),計(jì)算網(wǎng)絡(luò)輸出向量yok;

2)結(jié)合學(xué)習(xí)過程中設(shè)定的期望輸出向量,對計(jì)算出的輸出向量進(jìn)行分類。

2.2 算法修正

實(shí)時識別算法在實(shí)際應(yīng)用過程中需要對部分參數(shù)進(jìn)行適當(dāng)調(diào)整,從而對算法進(jìn)行修正,調(diào)整后的算法在分析海量錄井?dāng)?shù)據(jù)時計(jì)算速度會加快,準(zhǔn)確性也會相應(yīng)提高。通過實(shí)驗(yàn)證明,在煤層實(shí)時識別算法中需要作如下參數(shù)調(diào)整和算法修正:

4)在最初的識別算法中,樣本的期望輸出值設(shè)定為0或1,采用sigmoid激勵函數(shù),造成了網(wǎng)絡(luò)部分節(jié)點(diǎn)連接權(quán)值的無窮大,網(wǎng)絡(luò)不收斂。在該算法中,期望輸出做了適當(dāng)放寬,采用了0.1和0.9的形式。

3 應(yīng)用測試

結(jié)合煤層實(shí)時識別算法,我們編制了V isual Basic程序,實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練和地層判識的軟件應(yīng)用,并設(shè)計(jì)實(shí)驗(yàn)進(jìn)行了應(yīng)用測試(表1)。在該實(shí)驗(yàn)設(shè)計(jì)中,測試實(shí)現(xiàn)對地層進(jìn)行煤層、泥巖層、砂巖層3種地層模式的分類識別。因此,設(shè)定以上3種地層樣本作為網(wǎng)絡(luò)輸出。而通過對某區(qū)塊的綜合錄井?dāng)?shù)據(jù)進(jìn)行預(yù)先分析,提取出了與地層變化關(guān)聯(lián)性較好的8項(xiàng)錄井參數(shù),作為網(wǎng)絡(luò)的輸入。隱含層設(shè)置為1層,節(jié)點(diǎn)設(shè)置為5個,從而構(gòu)建一個8-5-3的3層神經(jīng)網(wǎng)絡(luò)。

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(yīng)的地層解釋數(shù)據(jù)作為學(xué)習(xí)樣本,供網(wǎng)絡(luò)自主學(xué)習(xí)。按照2.1.1中的計(jì)算步驟對這個神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。設(shè)置網(wǎng)絡(luò)計(jì)算精度為10-5,步長為2,在經(jīng)過3 637次學(xué)習(xí)訓(xùn)練后,網(wǎng)絡(luò)收斂,達(dá)到精度要求,識別模型建立。

再選取學(xué)習(xí)樣本以外的12組數(shù)據(jù)作為待識別模式進(jìn)行檢驗(yàn)。按照2.1.2中步驟進(jìn)行計(jì)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(luò)識別正確11組,準(zhǔn)確度達(dá)到了91.7%,實(shí)現(xiàn)了對煤層的有效識別。

4 結(jié)論

1)對實(shí)時識別煤層的方法進(jìn)行了探索性研究,開創(chuàng)了神經(jīng)網(wǎng)絡(luò)與綜合錄井?dāng)?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(shí)時識別模型的建構(gòu),提煉了實(shí)時識別算法,實(shí)現(xiàn)了煤層的實(shí)時識別,有效地提高了錄井?dāng)?shù)據(jù)的綜合利用水平。

2)在煤層氣水平井煤層實(shí)時識別方法的理論基礎(chǔ)上,開發(fā)了相應(yīng)的煤層實(shí)時識別軟件系統(tǒng),通過增加計(jì)算機(jī)的輔助自動分析能力,提高了現(xiàn)場煤層識別的響應(yīng)速度,減少了人工分析的不確定性。

3)應(yīng)用該方法配合相應(yīng)圖形顯示軟件,不僅可以實(shí)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(dǎo)作用。

[1]M ESZAROS 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(shù)[M].北京:石油工業(yè)出版社,1999.

[3]FA ICONER IG,BURGESS TM.Eparating bit and lithology effects from drilling mechanics data[C].Dallas,Texas, USA:SPE,1998,SPE 17191.

[4]楊進(jìn),張輝.地層巖性隨鉆識別的神經(jīng)網(wǎng)絡(luò)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(shù)[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(luò)結(jié)構(gòu)設(shè)計(jì)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(luò)算法研究及應(yīng)用[M].北京:北京理工大學(xué)出版社,2006.

Real-time iden tification of coal beds in coalbed methane horizon tal wells

Li Jianmin,Li Qian,Liang Haibo,Zhang Jijun,Le Shouqun
(School of Petroleum Engineering,Southw est Petroleum University,Chengdu,Sichuan 610500,China)

NATUR.GAS IND.VOLUM E 30,ISSUE 10,pp.60-63,10/25/2010.(ISSN 1000-0976;In Chinese)

A t the stage of out-flow and extraction of coalbed methane wells,the effectual contact area between the hole trajectory and the coal bed is of great significance to op timize p roduction rates and recovery.If coal beds are identified in accuracy and immediately in the p rocessof ho rizontal drilling in coalbed methane gas wells,the length of well trajecto ry w ill be more extended in coal beds, thus the effectual contact area w ill be w idened.A lthough the method of coal bed identification by use of logging w hile drilling (LWD)data has been w idely app lied in fields,the real-time identification of coal beds by useof the integrated logging data is still under research.In view of this,based on the features rep resenting the lithologic differences between coal bedsand their periphery rocks f rom the integrated logging data,a new method of logging interp retation fo r real-time identification of coal beds is p resented on the integrated logging data by use of the BP neural netwo rk algo rithm.Our research show s that w ith this new method the coal beds can be easily and immediately identified,and the achieved results can also be regarded as guidance fo r monito ring the extension of horizontal well section’s track in the coal beds.This new method p rovides a new idea fo r the coal bed identification during the p rocessof horizontal drilling.Field p ractices show that this new method has a reliably good performance with many advantages like w ide data sources,short response time,and a high accuracy,and the integrated logging data can thus be taken good advantageof and w ill p lay more important role in the studies of ho rizontal drilling in coalbed methane gas wells.

coalbed methane gas,ho rizontal well,integrated logging,neural network,coal bed identification

李建民等.煤層氣水平井的煤層實(shí)時識別技術(shù).天然氣工業(yè),2010,30(10):60-63.

DO I:10.3787/j.issn.1000-0976.2010.10.015

“:十一五”國家科技重大專項(xiàng)“大型油氣田及煤層氣開發(fā)——山西沁水盆地煤層氣水平井開發(fā)示范工程”(編號: 2008ZX05061)“煤層氣水平井綜合地層判識技術(shù)”的部分研究成果。

李建民,1983年生,碩士研究生;從事鉆井和錄井方面的設(shè)計(jì)和科研工作。地址:(610500)四川省成都市新都區(qū)西南石油大學(xué)碩2008級3班。電話:15928966818。E-mail:xinduswpu@126.com

2010-07-29 編輯 鐘水清)

DO I:10.3787/j.issn.1000-0976.2010.10.015

L i Jianm in,born in 1983,is studying fo r an M.Sc.degree,being engaged in design and studies of drilling and logging.

Add:No.8,Xindu Avenue,Xindu District,Chengdu,Sichuan 610500,P.R.China

Mobile:+86-15928966818 E-mail:xinduswpu@126.com