基于统计模型的煤层气含量预测方法研究及应用

叶树刚



基于统计模型的煤层气含量预测方法研究及应用

叶树刚

(中煤科工集团 西安研究院有限公司，陕西 西安 710077)

基于概率统计理论，假设储层参数和测井信息服从某种统计规律，就可以把测井响应信息当作是随机变量,利用测井数据间接预测煤层气含量。通过河北某煤田6煤已知的6个钻孔的测井数据与实验室瓦斯吸附试验得到的瓦斯含量建立了多元回归关系，对另外10口井的瓦斯含量进行了预测，与实验室煤层气瓦斯吸附实验测量值进行对比，发现与传统的一元回归预测相比，多元回归预测更加准确。最后结合地震反演数据完成了对6煤瓦斯含量的预测。

煤层气含量；多元回归；统计模型 ；地震反演

(Xi’anResearchInstitute,CCTEG,Xi’anShanxi710077,China)

1 引 言

目前已提出的煤层气储层测井评价技术基本可分为基于常规天然气储层评价理论的定性识别方法、基于概率统计模型的储层评价方法、基于体积模型的储层评价方法和基于神经网络模型的储层预测方法四类[1,2]。

基于概率统计模型的储层评价方法的思想，业界已经做出了大量研究，其应用前提是假设储层参数和测井信息服从某种概率统计分布，且储层评价结果与测井响应之间存在某种(线性或非线性)关系[3,4]。

李纪森[5]指出各个地区的煤层气含量和煤的体积密度具有较好的线性关系，从而利用煤的体积密度和煤层气含量的交会图建立了测井体积密度和煤层气含量的线性回归公式。董红[6]在基于测井资料评价辽河油田东部凹陷煤层的研究中发现，在收集煤层气含量资料进行深度归位后，实际气含量与工业组分灰分具有很好的相关关系，从而建立了气含量和灰分之间的回归曲线方程。

煤储层的本身特性决定了煤层气含量与测井参数(密度、自然伽马、电阻率、声波时差、自然电位)之间存在密切的关系[7]，因此建立煤层气含量与测井参数的多元回归关系，以此来进行煤层气含量的预测从理论上讲更为合理，本文就这一问题展开详细讨论。

2 煤层气含量与测井参数回归关系的建立

为了研究煤层气含量与测井参数之间的关系，本文对河北某煤田6煤13-1、20-3、24-5、28-3、35-2和46-1六个钻孔的测井数据(表1)和实验室瓦斯吸附试验得到的瓦斯含量(表2)进行了整理和分析。整理过程中对测井参数进行了归一化处理，目的是为了克服参与回归分析的数据因数量级及单位量纲不同带来的影响[8-10]。

6口井的密度、声波时差和自然伽马归一化值与煤层气含量之间的拟合关系如图1所示。

表1 6煤6口井测井参数

表2 6煤6口井实验室测得的瓦斯含量

图1 6煤6口井的测井参数与煤层气拟合关系(说明：本图横坐标均为归一化值，无量纲)Fig.1 Fitting relationship between logging parameters and gas content of six wells in No.6 coal seam

从图1的拟合情况来看，煤层气含量与密度存在负相关关系，而与声波时差、自然伽马之间存在较为明显的正相关关系。

选择声波时差和煤层气含量做一元回归分析，建立如下的预测方程：

Gas= 49.8×AC2-64.69×AC+23.33

(1)

式(1)中：Gas为煤层气含量，ml/g；AC为声波时差归一化值(无量纲)。

选择密度、声波时差和自然伽马与煤层气含量做多元回归分析，建立如下的预测方程：

Gas= 2.08-14.38× DEN-2.98× AC

+21.81×GR

(2)

式(2)中：DEN为密度归一化值(无量纲)；AC为声波时差归一化值(无量纲)；GR为自然伽马归一化值(无量纲)。

3 线性回归与多元回归预测及误差分析

根据上述回归方程(式1和式2)，对6煤另外10口井的煤层气含量进行预测,结果及误差统计如表3和表4所示。

通过下面两组数据的分析，可以发现：

1)通过建立多元回归方程对煤层气含量的预测相比一元回归方程来讲，更为准确。

2)尽管预测结果在可接受的范围内， 但还是有较大误差，这与取得回归方程的样本数太少有一定关系， 当然也不排除实验室测得的数据存在个别异常值的可能性。

表3 一元回归方程预测煤层气含量结果及误差

表4 多元回归方程预测煤层气含量结果及误差

3)基于上述2点认识，在实际预测煤层气含量时，应尽可能多地选取钻孔测井资料建立多元回归方程，将预测结果的误差降低到最小。

4 应用实例

测井数据只能从“点上”反应煤层气含量的大致情况。因此，结合本区地震勘探资料，通过反演可计算出全区密度和声波时差数据[8，9](图2和图3)，并进行归一化处理。利用已知的16口井测井参数，建立了密度、声波时差与煤层气含量的二元回归方程(式3)，实现了对整个工区6煤煤层气含量的预测(图4)。(说明：应用实例所得结果暂无钻孔验证。)

Gas =4.25-6.64×DEN+1.73×AC

(3)

图2 6煤密度等值线(单位:g/cm3，1 CDP=10 m)Fig.2 Density contour map of No.6 coal seam (unit: g/cm3, 1 CDP=10 m)

图3 6煤声波时差等值线(单位:ms/m，1 CDP=10 m)Fig.3 Acoustic time difference contour map of No.6 coal seam (unit: ms/m，1 CDP=10 m)

图4 6煤煤层气含量等值线(1 CDP=10 m)Fig.4 Coal bed gas content contour map of No.6 coal seam (1 CDP=10 m)

5 结 论

1)通过对实际数据的计算对比，发现多元回归方程对煤层气含量的预测相比一元回归方程精度更高。

2)通过建立已知钻孔的测井数据和实验室瓦斯吸附实验得到的瓦斯含量值之间的多元回归关系式对煤层含气量进行预测是可行的，前提是需要有尽可能多的相关性较好的已知资料(至少3口井的测井资料)。

3)应用测井成果和实测煤质参数建立起来的关系必须结合地震数据才能实现对整个工区煤层气的分布情况进行预测。 本文利用该区地震资料，结合测井成果和已知钻孔煤样的挥发份建立起的相关关系，成功地预测了6煤煤层气的区域含量。

[1]田靖安,王亮,程远科,等.煤层瓦斯压力分布规律及预测方法[J].采矿与安全工程学报，2008，25(4):481-485.

[2]吴有信.地震勘探技术在解释地质异常体的应用分析[J].工程地球物理学报，2012,9(4):473-474.

[3]罗贞耀.用侧向资料计算裂缝张开度的初步研究[J].地球物理测井，1990,14(2):83-92.

[4]张向鹏，聂荣花.地震勘探技术在解释地质异常体的应用分析[J].工程地球物理学报，2013,10(4):465-467.

[5]李纪森. 煤层气测井技术与解释分析[J].测井技术,1999,23(2):103-107.

[6]董红.基于测井资料评价辽河油田东部凹陷煤层[J].中国煤层气,2007,4(4):39-42.

[7]胡莲莲，叶树刚,芦俊,等.关于单点高密度地震数据的室内组合分析[J].地球物理学进展，2010,25(6):2 115-2 124.

[8]王敦则,蔚远江,覃世银,等.煤层气地球物理测井技术发展综述[J].地球学报，2003，24(4)：385-390.

[9]全裕科.影响煤层气含量若干因素初探.天然气工业,1995,15(5):1-5.

[10]张建宁.地震速度谱资料预测地层压力的陷阱分析[J].勘探地球物理进展，2005,28(1):51-56.

The Research of Coalbed Methane Content Prediction Method Based on Statistical Model and Its Application

Ye Shugang

Based on the theory of probability and statistics, if reservoir parameters and logging information can be assumed to be a certain statistical regularity, we may consider the logging response information as random variables, so we can use the logging data to predict coalbed gas content indirectly. In this paper, by the study of the six known logging data and laboratory test of gas content of No.6 coal seam in Hebei, the multi-regression relationship was established. Meanwhile, using the multiple regression prediction method, the gas content of the other 10 wells was predicted, and compared with the one element regression prediction method, the result of the multi-regression prediction method is more accurate. Finally, the 6 coal gas content was predicted combined with seismic inversion data.

coalbed methane content; multi-regression; statistical model; seismic inversion

1672—7940(2016)05—0586—04

10.3969/j.issn.1672-7940.2016.05.005

国家自然科学基金项目(青年基金)(编号：41104087)；中煤科工集团西安研究院有限公司科技创新基金重点项目(编号：2015XAYZD12)

叶树刚(1985-)，男，助理研究员，主要从事煤田三维地震勘探研究及应用工作。E-mail:yeshugang68@163.com

P631.8

A

2016-05-13