测井解释中煤层含气量评价方法对比研究

随着煤层气勘探的不断深入,对煤层含气量预测精度提出了更高的要求。基于煤层含气量测井响应特征,分析测井参数与含气量的相关性,提出MIV（Mean Impact Value）技术与LSSVM（Least Squares Support Vector Machine）结合的测井参数优选策略,优选最优测井参数作为网络建模的输入自变量组合,通过粒子群算法优化LSSVM网络核心参数,最后构建一套适用于煤层含气量预测的MIV-PSO-LSSVM模型。在此基础上,分别对比分析LSSVM、PSO-LSSVM、MIV-LSSVM和MIV-PSO-LSSVM模型对煤层含气量的预测性能,并与传统多元回归方法进行了对比,利用拟合优度和均方根误差对此5类模型进行评价。结果表明：PSO优化下的LSSVM模型预测精度得到有效提升,结合MIV方法优选测井参数可大幅度改善神经网络建模性能,MIV-PSO-LSSVM模型可实现煤层含气量高精度预测,为煤层气勘探及其储层评价提供新的技术支撑,且本研究的建模策略及思想可广泛应用于其他机器学习建模研究领域。     

煤层含气量测井解释方法参数选择及适用性

多元线性回归及BP神经网络是煤层含气量测井解释的常用方法。基于澳大利亚Galilee盆地和沁水盆地煤层测井资料和实测含气量数据,通过相关性分析和显著性检验,筛选了和含气量相关的测井参数,通过多元线性回归建立含气量与测井参数的解释模型;基于BP神经网络的理论,通过网络训练和测试,建立了煤层含气量和测井参数的非线性解释模型。讨论了多元线性回归模型的参数选择方法,并对两种解释方法的误差特点进行了分析,讨论了两种方法的适用性。结果显示:多元线性回归法和BP神经网络法是煤层含气量解释的常用方法,前者的解释误差比后者大;多元线性回归法解释精度与煤层含气量相关,适用于含气量较高的井;BP神经网络法解释精度普遍较高,在含气量高和低的井中均可适用,解释效果受输入层样本的数量和质量影响,样本数量越多,区域代表性越强,解释效果越好。     

煤层煤质和含气量的测井评价方法及其应用

根据辽河油田东部凹陷煤储层的地质特征以及实际煤岩芯分析资料和测井资料,利用回归分析方法得出了计算煤层各组分含量和煤阶的方法;通过分析煤层气特征,利用兰氏方程、吸附等温线和煤层气层中子背景值导出了煤层含气量的计算公式,并通过辽河油田东部凹陷实际煤储层测井资料的处理解释验证了方法的有效性。     

煤层含气量测井解释方法探讨

用多元线性回归建立煤层气含量与煤质参数、测井曲线值之间的回归方程,经F检验回归方程有效,但回归方程估算的煤层含气量与煤样解吸测定的含气量之间仍然存在较大的误差,为此利用BP神经网络进一步探讨它们之间的关系,实例表明预测精度较高。     

鄂东气田煤层含气量测井预测

煤层含气量计算的准确与否直接关系到煤层气开发方案的有效制定。在简要介绍了现有煤层含气量评价方法的基础上,利用测井资料和煤岩心含气量分析化验资料,采用统计回归方法优选了煤层含气量的敏感性测井参数,并基于优选的测井参数,运用多元回归和神经网络两种数学方法构建了鄂东气田的煤层含气量测井预测模型。利用所构建的模型对研究区内的煤层含气量进行了预测,预测结果与煤岩心含气量室内分析数据对比表明,多元回归法和神经网络法均能较好地对煤层含气量进行预测,但神经网络法的预测精度更高。     

澳大利亚S区块基于复合参数模型的煤层含气量预测

含气量预测的准确性对于煤层气开发至关重要。测井曲线作为含气量表征的最常用资料,不同测井资料对于含气量变化的响应灵敏程度不一样,单一的测井曲线预测含气量稳定性差。为了研究煤层含气量的精确预测方法,以澳大利亚S区块的煤层气为研究对象,以实验室分析数据、测井资料为基础,通过测井资料响应特征分析,实现测井资料的扩径校正以及含气量数据深度归位处理。在此基础上,根据含气量与测井资料相关性分析结果,选择煤层埋藏深度、声波时差、自然伽马和长源距密度等相关性好的测井数据作为含气量预测的基础参数。以基础参数对含气量的敏感性分析结果为依据,构建含气量预测的复合参数,建立基于测井资料的含气量复合参数预测模型。通过软件中编写含气量计算的外挂模块实现煤层气井含气量批量计算。复合参数预测模型在实际应用中,可以克服传统煤层含气量计算准确率低、稳定性差的缺点,同时可以实现批量化计算,极大地加快含气量计算进度,能够为S区块的后续煤层气开发奠定地质基础。     

煤层含气量预测方法

含气量是进行煤层气资源计算与选区评价的关键。在有效含气量数据太少,不能满足研究工作需要的情况下,根据少量实测含气量数据和煤的等温吸附曲线、储层压力梯度、煤的水分、灰分数据,预测未知区煤层气量,是一种行之有效的方法。实践证明,预测含气量数据与实测含气量数据比较接近,能保证资源量计算及资源评价结果的可靠性。     

密度和中子测井对煤层甲烷含气量的响应及解释

煤层甲烷含气量是评价煤层气的最重要指标。可理论计算密度和中子测井对它的响应,并由此导出计算含气量的方程。     

基于ABC-BP模型的煤层含气量预测

煤层含气量预测是煤层气资源勘探开发利用前期的重要研究内容之一。近些年,BP神经网络算法常用于煤层含气量预测领域,但传统BP模型在训练过程中往往存在收敛速度慢、对初始值敏感以及易陷入局部极小值等问题。为此,提出了一种改进的以人工蜂群算法为特征的BP神经网络预测方法。以沁水盆地某工区3号煤层为研究对象,首先,利用R型聚类分析法对目标煤储层所提取的多种类型的地震属性进行分类,优选出4种对煤层含气量变化反应最敏感且相互独立的地震属性;再利用人工蜂群算法(ABC)寻找BP神经网络的输入层与隐含层的最优连接权值和隐含层的最优阈值,构建具有鲁棒性的ABC-BP神经网络预测模型,并以井位置优选地震属性和含气量数据为样本训练该模型;最后,以整个工区目标储层的优选地震属性为输入,进行工区内煤层含气量的预测。预测结果与各井含气量的变化趋势基本吻合,其中,训练井处的平均误差率为0.23%,验证井处的误差率低于15%,预测精度较高,因此,该预测方法可靠性高,适用性强,可有效用于煤层含气量预测。     

应用BP神经网络预测煤质参数及含气量

煤层气储层物理结构以及煤层气的存储，运移等方面不同于常规天然气，评价煤质参数的测井等效体积模型难以较好地描述煤层这种复杂的物理结构，提出利用ＢＰ神经网络预测煤质参数及煤层气含量的模型和算法，预测的煤质参数以及煤层含气量与煤样分析结果比较表明，预测与煤样分析参数之间的平均绝对误差和相对误差都较小，精度满足定量计算的要求。     

基于优选地震属性与PSO-BP模型的煤层含气量预测

常规煤层含气量预测方法多基于测井约束的地震属性反演以及线性映射模型,造成预测结果的精度难以控制,严重限制了方法的普适性.本文从地震属性优选与BP神经网络预测模型改进两方面入手开展研究.利用Q型聚类分析方法,对提取的目标储层地震属性进行分类优选,得到了与地质目标相关性好且相互独立的4种地震属性;进一步利用粒子群寻优算法对BP神经网络算法的输入层与隐含层的连接权值和隐含层的阈值进行了优化,构建PSO-BP预测模型,并利用井位置的优选地震属性和含气量数据训练PSO-BP模型.基于训练好的PSO-BP模型,以整个工区的优选地震属性作为输入,进行研究区内煤层含气量预测.井位置含气量预测结果与实测结果对比表明,该预测方法准确率高.因此,可认为PSO-BP预测模型以及相应的预测方法流程能有效适用于煤储层含气量的预测.     

煤层气多分支水平井井眼轨道优化设计模型

煤储层具有低压低渗特征,致使煤层气开发困难,单井产量低;而多分支水平井能显著增﹑加井筒与煤层的接触面积,提高单井产量,缩短经济回收期。为此,提出了煤层气多分支水平井井眼轨道优化设计准则和主水平井方位的选择方法,建立了煤层侧钻水平井井眼轨道优化设计模型,并将该模型用于鄂尔多斯盆地2号和10号煤层的煤层气多分支水平井井眼轨道优化设计。结果表明,该模型实现了以较短的井眼轨道进入目标靶点,保证了分支井眼的平滑度,对煤层气钻井设计具有重要的指导意义。     

基于产生式系统的煤层气井排采异常识别技术

煤层气井排采过程中易出现排采异常的问题,研究煤层气井排采异常识别对煤层气高效开发具有重要意义。总结了煤层气井常见排采异常类型,并选取了压力、产量、冲次、电流4个参数作为特征参数,基于模拟人类思维方式的产生式专家系统,通过分析4个特征参数与生产状态的对应关系,构建了12个煤层气井常见的产生式规则,并采用正向推理的方式设计了推理机,实现了煤层气井常见排采异常类型的有效识别。实例表明,用产生式规则推理技术来识别煤层气井排采异常类型,具有过程简单、结论准确的优点。     

水平井开采煤层气藏生产动态计算新数学模型

基于朗格缪尔模型、菲克第二扩散定律和达西定律,综合考虑重力和气体压缩效应的影响,推导出描述煤层气和水渗流规律的基本偏微分方程组(并给出定解条件),且利用有限差分法对该数学模型进行了数值求解。计算结果表明,该模型能够有效模拟煤层气水平井的生产动态。通过对比是否考虑非稳态扩散和气体压缩效应时不同裂隙渗透率下的产气动态可知,忽略非稳态扩散和压缩效应,将人为缩短达到气体峰值产量的时间,增大产气峰值;将降低气体膨胀能,低估气井后期产能。煤岩裂隙渗透率越高,气井产能受渗透率回归效应影响越大,峰值产量的持续时间越短且产量下降速度快。因此在煤层气藏开采过程中,应根据气井的产气动态调整井底流压,建立合理的储层压力系统,以降低渗透率回归效应带来的不利影响。     

煤层气含量快速测定方法

煤和煤层气地质勘探需要在取到钻孔煤心后的很短时间内获得气含量测值,而现行的煤层气含量测定方法难以满足此要求。基于自然解吸法原理和方法,以自然解吸法的测定结果为基准,在保证解吸量、气组成及其含量基本不变的前提下,通过连续观测、适当提高解吸温度等途径,合理、有效地加速解吸。以快速测定法与自然解吸法的对比试验结果为依据,建立了煤层气含量快速测定方法。此方法将煤层气含量测定周期缩短为几h~几d,可以满足煤和煤层气勘探的需求。     

基于干扰试井的煤层气储层优势渗流方向研究

为获得晋城矿区某区块3号煤层的储层连通性及其优势渗流方向,为矿区煤层气规模开发方案制定与调整提供依据,利用干扰试井技术对该区块井网内的煤层气井进行井间干扰测试。选定一口井为激动井,其周围5口井为观测井,组成干扰试井测试井组,测试并分析煤层气储层的连通性及其优势渗流方向。结果表明：激动井W-160井与观测井W-156井、W-166井间的煤层气储层连通性,优于其与观测井W-161井、W-157井以及W-164井间的储层连通性,即该区块煤层气储层的优势渗流方向为NE-SW向。将测试成果与生产实际相比对,验证了其正确性。试验证明了干扰试井测试可有效识别煤层气储层的连通性及优势渗流方向。     

深度学习在煤层气测井解释中的应用研究

将常规储层测井解释方法应用于煤层气储层测井解释,其效果存在一定的折扣。为了改善传统方法在煤层气测井解释中出现的问题,将深度学习的思想引入测井解释,提出受限玻尔兹曼机的数量、受限玻尔兹曼机隐含层神经元数量、分类阈值的确定方法,利用深度信念网络进行煤层识别及煤层气含气量的预测。实验结果表明：首先,在交会图法效果不好的情况下,通过深度信念网络进行煤层识别,继而对识别结果进行适当校正,煤层识别成功率可达到90%以上;其次,经过多种方法的对比,利用深度信念网络进行煤层气含气量预测的效果,要好于BP神经网络、多元回归统计以及Langmuir方程三种方法。深度学习改进了传统的BP神经网络,具备更强的复杂函数泛化能力,适用于煤层气测井解释,并具有进一步的推广价值。     

基于支持向量机的地震属性优选及煤层气预测

为了充分发挥地震属性分析技术的优势,针对地震勘探中的小样本事件,阐述了支持向量机原理,开展了基于支持向量机的煤田地震属性非线性优选的方法研究,并在煤层气含量预测中取得了良好的效果。结果表明:基于支持向量机(SVM)属性优选的煤层气预测效果比运用钻孔插值的效果更精确,较好地解决了小样本的学习问题,可作为煤层气预测的一种有效方法。     

煤层气井牛顿流体压裂压力损失预测模型

为准确预测牛顿流体连续管压裂作业时沿程管柱内的压力损失,根据我国煤层气井压裂所采用压裂液的特点,运用流体力学理论与方法,建立了基于牛顿流体流变学基本特征的混砂液在连续油管内流动过程中的压力损失预测模型;对不同施工排量、砂比、连续管径和入井长度比等参数对管内压力损失的影响规律进行了分析。提出： a .牛顿流体在管内流动压力损失的主控因素为流体与管壁的摩擦,因此,降低牛顿流体管内压力损失的有效途径是合理选择连续油管直径与优化施工排量; b .为降低管内摩擦压力损失,应参考入井长度比值等参数,合理优选连续油管长度; c .在满足连续管工作压力和保证携砂液性能的前提下,牛顿流体压裂时应尽可能采用大管径、大排量、中砂比施工。