基于灰色关联分析和BP神经网络的煤层含气量预测研究

刘之的,赵靖舟,杨秀春,陈彩红,张继坤,王 剑

(1.西安石油大学 地球科学与工程学院,陕西 西安710065;2.中石油 煤层气有限责任公司,北京100028)

鄂尔多斯盆地东部是我国煤层气勘探开发重点地区之一,该区经过多年的勘探开发,积累了丰富的地质、测井及排采动态资料,煤层气储层测井评价工作也取得了一定的成效,但现有的煤层含气量测井定量评价技术还不能满足煤层气勘探开发的跨越式发展1-4]。从测井角度预测煤层含气量,现场上多采用密度测井法[5-9]。然而,随着煤层含气量的增大,补偿中子和补偿声波等测井幅值也具有一定的响应或变化。因此,基于研究区的煤层含气量化验分析资料和测井资料,在深度挖掘和系统对比能够有效反映煤层含气量的测井参数之后,筛选煤层含气量建模数据库,构建适用于研究区的煤层含气量多测井参数非线性预测模型,以期提升煤层含气量的测井预测精度。

1 煤层含气量敏感性测井参数优选

优选对煤层含气量敏感性较强的测井参数直接关系到煤层含气量的测井预测精度[10-12]。研究区内尚未使用核磁等测井新技术,测井资料仅局限于常规测井曲线,鉴于此,本文只针对常规测井资料来探讨煤层含气量的敏感性测井参数。为了探究煤层含气量的敏感性测井参数,本研究基于煤岩心含气量室内化验分析值与测井测量值,采用最小二乘法对两者进行了拟合回归,并根据其相关系数大小来揭示煤层含气量与测井参数间的内在敏感性。

针对煤储层扩径、泥浆侵入等环境影响较为严重等实际情况,在煤层含气量的敏感性测井参数优选分析之前,对煤储层测井曲线的环境影响进行反演校正,力求还原较为真实可靠的煤储层地球物理测井信息,以保障煤层含气量的敏感性测井参数优选的正确无误。已有研究[5-6]表明,密度测井能够较为有效地反映煤层的含气量,因此,利用密度测井曲线进行煤岩心室内含气量分析化验数据的归位。提取归位后的补偿密度(DEN)、补偿中子(CNL)、声波时差(AC)、自然伽马(GR)及电阻率(RT)测井数据,回归拟合出测井参数与煤层含气量Vg回归方程(表1)。由表1中的回归系数可知,补偿中子、补偿密度、声波时差和自然伽马测井反映煤层的含气量敏感性依次降低,而电阻率测井的拟合效果则相对较差。因此,在构建煤层含气量的多测井参数计算模型时,可优先选择补偿密度和补偿中子,其次选择声波时差和自然伽马等测井参数,电阻率测井可以不予考虑。

表1 煤层含气量与单测井参数敏感性分析对比表Tab.1 Comparison of sensitivity of single logging parameters to coaldbed gas content

2 灰色关联法筛选含气量测井参数建模数据库

2.1 煤岩心含气量-测井相统计模式的建立[13-14]

充分利用关键井的煤岩心资料,采用煤岩心含气量室内分析化验数据与测井响应特征值对比法,开展煤岩心含气量分析化验值的深度归位;然后,根据煤岩心归位后的深度提取所对应的测井响应值,从而建立煤岩心含气量-测井相的统计模式。

基于上述测井敏感性分析可知,DEN、CNL、AC、GR4个测井参数能有效地反映煤层含气量,于是本研究采用这4个测井参数构建了煤岩心含气量-测井相统计模式(见表2)。

表2 研究区煤岩心含气量-测井相统计模式Tab.2 Statistical modes of gas content in coal cores and logging facies in the studied area

2.2 灰色关联法分析筛选煤层含气量建模数据库

由上述煤层含气量敏感性测井参数优选可知,密度、中子、声波和自然伽马都能够不同程度地反映煤层的含气量,于是可容易构建表2所示的煤层含气量测井建模数据库。然而,煤层埋藏浅,微孔隙和裂缝发育,极易受泥浆侵入的影响。此外,煤层的机械强度低,钻进过程中容易坍塌,扩径影响尤为突出,这些环境因素的影响导致煤层气储层测井响应产生不同程度的畸变,尽管在利用测井资料构建煤层含气量预测模型前做了环境影响校正,但校正结果是否完全真实可靠地反映了煤储层的地球物理测井信息往往难以保证。利用环境影响校正不彻底的测井数据构建煤储层含气量建模数据库,势必给含气量预测引入误差。鉴于此,本文利用灰色关联法分析优选煤层含气量测井参数建模数据库,依据其灰色关联系数的大小来厘定煤层含气量测井参数建模数据库的有效性。

表3是煤层含气量测井参数数据库灰色关联分析结果数据表,由此表中的灰色关联度可知,3号煤岩心(韩试3-5-3)和5号煤岩心(韩试4-5-1)的灰色关联度较低,表明该2个煤岩心的测井数据不能有效地反映该层点的煤层含气量,视为无效数据点,给予剔除。

表3 煤层含气量测井参数数据库灰色关联分析结果Tab.3 Grey correlation analysis result of CBM content logging parameter database

3 煤层含气量预测模型构建

3.1 煤层含气量神经网络模型结构的确定

已有研究[15-16]表明,神经网络法在数据拟合和参数预测等方面具有明显的优势,为此本研究利用BP神经网络来构建煤层含气量测井预测模型。

基于上述优选的煤层含气量敏感性参数以及严格筛选含气量建模测井数据库,结合BP神经网络建立了煤层段的含气量测井预测模型。

由上述煤层含气量敏感性测井参数分析研究可知,研究区内密度和补偿中子测井能够较好地反映煤层的含气量,而声波、自然伽马测井亦具有一定的敏感性,鉴于此,本研究以DEN、CNL、AC、GR作为输入变量,以煤层含气量作为期望输出值,反复试算检验之后,最终选择12个隐含层结点来构成煤层含气量的神经网络预测模型的拓扑结构(图1),即三层网络(4-12-1)。

图1 神经网络法训练测井参数与煤层含气量之间的关系Fig.1 Relationship between CBM content and logging parameters trained by neural network

3.2 煤层含气量神经网络模型及预测

利用研究区内煤岩心含气量化验分析数据和对应的测井数据构成学习样本集,见表2(剔除无效数据点)。将表2中的煤岩心含气量-测井相统计模式数据标准化后,利用神经网格拓扑结构模型开展学习建模。当煤层含气量的迭代精度满足建模要求时,停止建模并输出三层网络各神经元间的连接权值(表4),于是便建立了预测煤层含气量的神经网络数学模型。

将煤岩地层的DEN、CNL、AC、GR测井响应值加载到网络输入层,输入层接受信息逐层正向前传,并据误差反传信号修正权值,重新计算。将煤层含气量分析化验值与神经网络预测值间的误差作为反馈信号,反向调节网络的隐含矩阵元素,使误差信号达到最小,即可达到预测该层(点)的煤层含气量。

利用构建的煤层含气量测井预测模型,预测了研究区韩试12等井的煤层含气量。图2是利用本文所述方法预测的韩试12井煤层含气量与煤岩心含气量化验分析对比图,表5是韩试12井预测的煤层含气量与室内化验分析的实测煤层含气量对比表。

表4 煤层含气量的BP神经网络预测模型的连接权值Tab.4 Connection weights of BP neural network model for prediction of CBM content

图2 韩试12井煤层含气量神经网络预测成果图Fig.2 CBM content prediction results of Hanshi 12 well using neural network

对比和深入剖析图2、表5中的煤层含气量实测值和测井预测值可知,本文所述方法预测的煤层含气量精度较高,预测值与实测值间的相对误差不超过6%,非常接近煤岩心含气量实测值。究其原因,在构建煤层含气预测模型时,优选了敏感性测井参数,并对其建模数据库进行了筛选,从而有效提高了神经网络的建模精度;此外,神经网络算法具有很强的非线性映射能力,能够精准地寻求煤层含气量与测井参数之间的内在非线性函数关系。

表5 韩试12井煤层含气量神经网络预测结果Tab.5 Error analysis of CBM content prediction results of Hanshi 12 well using neural network

4 结论与建议

(1)煤层含气量的测井参数敏感性分析表明,密度、补偿中子测井能够较好地反映煤层的含气量,建议在构建煤层含气量的多测井参数预测模型时,应优先选择密度和中子测井。

(2)实测煤层含气量与神经网络预测的煤层含气量之间的相对误差不超过6%,这充分表明该整套方法的预测精度能够满足煤层含气量计算精度的要求。

(3)针对煤储层测井曲线易受诸多环境因素的影响,由于其环境影响校正不彻底或校正精度不高等原因,致使所构建的建模数据库中某些层点的测井数据不能有效地反映煤层的含气量,建议在含气量预测前做好测井环境影响校正的同时,对煤层含气量建模数据进行筛选,以保障煤层含气量的预测精度能够满足煤储层测井评价的要求。

[1]赵靖舟,刘之的,时保宏,等.鄂东气田煤层气储层综合评价[R].西安:西安石油大学,2012.ZHAO Jing-zhou,LIU Zhi-di,SHI Bao-hong,et al.Comprehensive Evaluation for Coalbed Methane Reservoirin Eastern Block of Ordos Basin [R].Xi＇an:Xi＇an Shiyou U-niversity,2012.

[2]中联煤层气有限责任公司.中国煤层气勘探开发技术研究[M].北京:石油工业出版社,2007.China United Coalbed Methane Co,LTD.Exploration and Development Technology Research of Coalbed Methane in China[M].Beijing:Petroleum Industry Press,2007.

[3]刘效贤.李承华.测井评价煤层气储层的方法探讨[J].中国煤炭地质,2008,20(13):1-4.LIU Xiao-xian,LI Cheng-hua.Probe into CBM reservoir evaluation through well logging[J].Coal Geology of China,2008,20(13):1-4.

[4]王志文.煤层含气量的测井评价技术[D].长春:吉林大学,2009.Wang Z W.Coalbed Methane Gas Content of Logging E-valuation Technology[D].Changchun:Jilin University,2009.

[5]高绪晨.密度和中子测井对煤层甲烷含量的响应及解释[J].煤田地质与勘探,1999,27(3):25-28.GAO Xu-chen.The responses of density and neutron loggings on the coalbed methane content and the logging interpretation[J].Coal Geology ＆ Exploration,1999,27(3):25-28.

[6]张意,范晓敏,徐军.利用测井资料评价煤层气含量[J].吉林大学学报:地球科学版,2011,40(增刊):92-93.ZHANG Yi,FAN Xiao-min,XU Jun.Evaluation of coalbed methane content based on well logging data[J].Journal of Jilin University:Earth Science Edition,2011,40(s):92-93.

[7]黄智辉,潘和平.煤层含气量测井解释方法探讨[J].煤田地质与勘探,1998,26(2):58-60.HUANG Zhi-hui,PAN He-ping.Discussion on the log interpretation method of coalbed gas content[J].Coal Geology ＆Exploration,1998,26(2):58-60.

[8]傅学海,陆国桢,秦杰,等.用测井响应值进行煤层气含量拟合和煤体结构划分[J].测井技术,1999,23(2):112-115.FU Xue-hai,LU Guo-zhen,QIN Jie,et al.Determination of coalbed gas content and classification of coalbody structure with log response[J].Well Logging Technology,1999,23(2):112-115.

[9]杨东根,范宜仁,邓少贵,等.利用测井资料评价煤层煤质及含气量的方法研究——以和顺地区为例[J].勘探地球物理进展,2010,33(4):262-265.YANG Dong-gen,FAN Yi-ren,DENG Shao-gui,et al.Logging evaluation for coal quality and gas content:A case study in Heshun region[J].Progress in Exploration Geophysics,2010,33(3):262-265.

[10]Whetton J A,Elkington P A S,Weatherford.Processing and interpretation of density and neutron logs for the evaluation of coal bed methane reservoirs[C].SPE/EAGE European Unconventional Resources Conference and Exhibition held in Vienna,Austria,2012,March 20-22.

[11]Mullen M J.Log evaluation in well drilled for coalbed methane[C].Rocky Mountain Association of Geologists,1998.

[12]Bhanja A K,Srivastava O P.A new approach to estimate CBM gas content from well logs[C].2008 SPE Asia Pacific Oil＆ Gas Conference and Exhibition held in Perth,Australia,2008,October 20-22.

[13]霍凯中,赵永军,孙立冬.灰色聚类分析在煤层气选区评价中的应用[J].断块油气田,2007,14(2):14-17.HUO Kai-zhong,ZHAO Yong-jun,SUN Li-dong.Application of grey cluster analysis in selective area and evaluation of coalbed methane[J].Fault-block Oil＆ Gas Field,2007,14(2):14-17.

[14]田敏,赵永军,颛孙鹏程.灰色系统理论在煤层气含量预测中的应用[J].煤田地质与勘探,2008,36(2):24-27.TIAN Min,ZHAO Yong-jun,ZHUANSUN Peng-cheng.Application of grey system theory in prediction of coalbed methane content[J].Coal Geology ＆ Exploration,2008,36(2):24-27.

[15]侯俊胜,尉中良.自组织神经网络在测井资料解释中的应用[J].测井技术,1996,20(3):197-200.HOU Jun-sheng,WEI Zhong-liang.Application of self-organizing neural network to logging data interpretation[J].Well Logging Technology,1996,20(3):197-200.

[16]孟召平,田永东,雷旸.煤层含气量预测的BP神经网络模型与应用[J].中国矿业大学学报,2008,37(4):456-461.MENG Zhao-ping,TIAN Yong-dong,LEI Yang.Prediction models of coal bed gas content based on BP neural networks and its applications[J].Journal of China University of Mining ＆ Technology,2008,37(4):456-461.