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(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)不但可以實現(xiàn)煤層實時識別，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。

關(guān)鍵詞：煤層氣；水平井；綜合錄井；神經(jīng)網(wǎng)絡(luò)；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(shè)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?dāng)?shù)據(jù)的分析處理進行的；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。

    煤層實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(zhǔn)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(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，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(luò)各層節(jié)點的閾值和節(jié)點之間的連接權(quán)值以使網(wǎng)絡(luò)運算誤差不斷減小，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(luò)判識結(jié)果與實際結(jié)果對比，進行判識結(jié)果校正和學(xué)習(xí)樣本的實時提取。

 

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。

 

    煤層實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，通過運算分類，對煤層實現(xiàn)實時識別。

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]進行計算，實現(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)點個數(shù)分別為n、P和q，對各層連接權(quán)值w_ih、w_ho和節(jié)點閾值θ_h、θ_o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(xué)習(xí)次數(shù)M，學(xué)習(xí)步長η。

    2) 選擇km個樣本集中的第是(從k=1開始)個輸入樣本向量x^k=(x₁，x₂，…，x_n)^k，及對應(yīng)的期望輸出向量d^k=(d₁，d₂，…，d_n)^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hi^k、ji^k擴和輸出向量ho^k、yo^k，f(x)為傳輸函數(shù)：

 

4) 輸出層輸出向量yo^k與期望輸出向量d^k結(jié)合，計算誤差函數(shù)對輸出層的各節(jié)點的偏導(dǎo)數(shù)δ_o^k：

 

    5) 隱含層到輸出層的連接權(quán)值w_ho、輸出層的δ_o^k和隱含層的輸出向量ho^k結(jié)合，計算誤差函數(shù)對隱含層的各節(jié)點的偏導(dǎo)數(shù)δ_h^k：

 

    6) 使用輸出層各節(jié)點的δ_o^k和隱含層各節(jié)點的輸出向量h_o^k來修正連接權(quán)值w_ho和閾值θ_o：

    7) 使用隱含層各節(jié)點的δ_h^k和輸入層各節(jié)點的輸入x^k來修正連接權(quán)值w_ih和閾值θ_h：

 

    8) 計算全局誤差

    9) 判斷網(wǎng)絡(luò)誤差是否滿足要求。

    當(dāng)時E^k＞ε，選取下一組學(xué)習(xí)樣本，返回到步驟2)，進行再次學(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)E^k＜ε時，網(wǎng)絡(luò)收斂，可以進行網(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)，計算網(wǎng)絡(luò)輸出向量yo^k；

 

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

    實時識別算法在實際應(yīng)用過程中需要對部分參數(shù)進行適當(dāng)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?dāng)?shù)據(jù)時計算速度會加快，準(zhǔn)確性也會相應(yīng)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(luò)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(zhǔn)確確定隱含層節(jié)點個數(shù)，該算法中應(yīng)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?dāng)?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(yīng)的提高了運算速度。需要注意的是，在學(xué)習(xí)過程和判識過程中，對網(wǎng)絡(luò)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(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。

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(luò)學(xué)習(xí)訓(xùn)練和地層判識的軟件應(yīng)用，并設(shè)計實驗進行了應(yīng)用測試(表1)。在該實驗設(shè)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(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中的計算步驟對這個神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練。設(shè)置網(wǎng)絡(luò)計算精度為10^-5，步長為2，在經(jīng)過3637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(luò)識別正確11組，準(zhǔn)確度達(dá)到了91.7%，實現(xiàn)了對煤層的有效識別。

    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(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時識別模型的建構(gòu)，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?dāng)?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(chǔ)上，開發(fā)了相應(yīng)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(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] 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(shù)[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(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.

 

(本文作者：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)