基于分型理论和神经网络的页岩气可钻性研究

2019-02-27周启成赵廷峰周伟勤赵春艳刘易思

钻采工艺 2019年1期

周启成，赵廷峰，周伟勤，赵春艳，刘易思

(1中石化中原石油工程公司 2中国石油新疆油田分公司 3陕西延长石油西安研究院 4川庆钻探工程有限公司安全环保质量监督检测研究院工程监督中心)

岩石可钻性极值是表征岩石抵抗钻头破坏能力的一个重要参数，同样也是钻井工程方案设计中钻头选型的重要依据。常规的可钻性极值预测主要有两种方法：岩心实验法和测井资料分析法。针对这两种方法的缺点，本文采用分形理论对钻进过程中上返的岩屑进行分析处理，确定出上返岩屑分形维数与岩屑参数之间的计算关系。将分形维数与测井数据相结合，作为影响因素，利用神经网络建立影响因素与可钻性极值的映射关系，实现焦石坝地区页岩气可钻性极值的预测分析，为二期产能建设提供理论依据。

一、上返岩屑分形维数计算

按照分形理论，分形内部任何一个相对独立的部分在一定程度上都是整体的再现和缩影。在钻井过程中钻头不断破碎岩屑，岩屑形态呈现出不规则的特性，最后得到了更细小的碎岩屑，不同大小的岩屑块中整体形态与局部形态具有自相似性，故可采用分形理论来研究上返岩屑[1-2],考虑到牙轮钻头与PDC钻头破岩机理不同，选取的岩屑数据均为PDC钻头钻取。

对于上返岩屑采用幂律形式的理论破碎体分形分布模型：

N=Cr-D

(1)

式中：r—岩屑的特征尺度，m；N—是特征尺度为r的碎块数目；C—为比例常数；D—分形维数。

由于对岩屑进行实际分析时，特定尺寸以上的碎块数量多，不方便统计。因此，本文将研究岩石碎块的质量—尺寸关系。质量可以通过电子秤称出，尺寸可通过筛网目数确定。

(2)

式中：Nx—直径小于x对应的碎块数目；rmin—岩屑的最小特征尺寸，m；C1—为比例常数。

(3)

式中：Mr—小于筛网直径r的碎块质量，kg；x—(0,r]上的任意直径，m；ρ—密度，g/cm3。

(4)

分别选取层位为龙潭组，茅口组，栖霞组，韩家店组，小河坝组及龙马溪组，岩性主要以泥页岩为主，在实验过程中为了分选方便，质量一般控制在100 g左右，烘干去除岩屑中的水分，以便提高实验数据的准确性。

本次实验分别选取4目，10目，18目，35目，45目，进行分选，其孔径分别对应为4.75，2.00，1.00，0.5，0.35 mm。分选仪振动时间设置为5 min，分别对每一级上返岩屑进行称重，并记录进行分析。

上返岩屑筛分组分见表1。

表1 上返岩屑筛分质量百分比表

图1 不同层组岩屑分形曲线

将各组岩样筛选结果进行统计分析，得出分形维数和相关性系数，见表2。

表2 各层位分形维数

由拟合的数据看出，相关性系数达到0.86以上，有较好的相关性，符合分形理论，随着井深的增加，分形维数也在不断地增加，符合沉积压实规律。

二、可钻性极值预测方法建立

为了提高岩石可钻性极值预测的准确性，本文采取多源数据(分形维数和测井数据)结合的方式进行可钻性极值的预测。由于多源数据与岩石可钻性极值之间关系十分复杂，参数之间存在互相影响和非线性相关。针对这一问题，本文采用BP神经网络来建立两者之间的映射关系[6-10]。

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构如图2所示。

本文以岩屑分形维数、声波时差测井数据、密度测井数据和自然伽马测井数据作为输入层，以岩石可钻性极值作为输出层。将处理后的钻头使用数据作为BP神经网络的学习样本，通过前馈学习建立输入层与输出层之间的关系模型。