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(duì)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(guò)程中實(shí)時(shí)、精確地識(shí)別煤層，可以明顯地提高井眼軌跡在煤層中延伸長(zhǎng)度，增加有效接觸面積。應(yīng)用LWD數(shù)據(jù)開展煤層識(shí)別已在工程現(xiàn)場(chǎng)得到廣泛應(yīng)用，而整合綜合錄井?dāng)?shù)據(jù)實(shí)時(shí)識(shí)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(shí)時(shí)識(shí)別煤層的錄井解釋方法。研究顯示，通過(guò)煤層識(shí)別錄井解釋方法，應(yīng)用綜合錄井?dāng)?shù)據(jù)不但可以實(shí)現(xiàn)煤層實(shí)時(shí)識(shí)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(jìn)過(guò)程中煤層識(shí)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(lái)源廣泛，響應(yīng)時(shí)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(shí)別；實(shí)時(shí)；水平段軌跡

    煤層氣水平井通過(guò)增加軌跡與煤層的接觸面積來(lái)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(jìn)過(guò)程中能夠?qū)崟r(shí)識(shí)別煤層，從而確保井眼軌跡始終處于煤層中^[1]，進(jìn)而增加水平井眼軌跡在煤層中的進(jìn)尺長(zhǎng)度。在配備LWD設(shè)備進(jìn)行隨鉆測(cè)井的情況下，煤層實(shí)時(shí)識(shí)別主要是通過(guò)對(duì)測(cè)井?dāng)?shù)據(jù)的分析處理進(jìn)行的；而在未配備LWD設(shè)備的情況下，通常都是通過(guò)巖屑和氣測(cè)數(shù)據(jù)進(jìn)行地層識(shí)別^[2]，一方面這種識(shí)別方法時(shí)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(cè)量工作，這些工程參數(shù)通常只用來(lái)監(jiān)測(cè)工程狀態(tài)，卻沒(méi)有加以充分應(yīng)用來(lái)發(fā)揮其在地層識(shí)別中的綜合分析評(píng)價(jià)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(shí)時(shí)識(shí)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(dòng)的非線性問(wèn)題，通過(guò)對(duì)地層巖性與綜合錄井?dāng)?shù)據(jù)對(duì)應(yīng)關(guān)系的匹配形式進(jìn)行自主學(xué)習(xí)^[4]，獲得反映對(duì)應(yīng)關(guān)系的識(shí)別模型，繼而利用識(shí)別模型實(shí)現(xiàn)煤層的快速、準(zhǔn)確識(shí)別。通過(guò)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(píng)價(jià)潛能，提高煤層識(shí)別的自動(dòng)分析評(píng)價(jià)水平，推動(dòng)煤層識(shí)別手段的進(jìn)步。

    煤層實(shí)時(shí)識(shí)別是通過(guò)分析綜合錄井?dāng)?shù)據(jù)與地層巖性相對(duì)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(guò)計(jì)算實(shí)現(xiàn)地層的分類識(shí)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(cè)度，受人為干擾較大^[5]。因此，解決煤層實(shí)時(shí)識(shí)別問(wèn)題就需要選擇一種既具有實(shí)時(shí)性，又擅長(zhǎng)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(shí)時(shí)識(shí)別的問(wèn)題^[6]。神經(jīng)網(wǎng)絡(luò)在地層識(shí)別分析中的應(yīng)用就是通過(guò)把鉆井過(guò)程中采集到的參數(shù)、工程計(jì)算結(jié)果作為輸入，建立適用于地層識(shí)別分析的神經(jīng)網(wǎng)絡(luò)模型作為推理機(jī)，網(wǎng)絡(luò)的輸出就是地層識(shí)別結(jié)果。通過(guò)對(duì)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(shí)際鉆井過(guò)程地層變化狀況。煤層實(shí)時(shí)識(shí)別模型由模型建立、模型判識(shí)和校正分析3部分組成，如圖1所示。識(shí)別模型建立的實(shí)質(zhì)是調(diào)節(jié)BP神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)的閾值和節(jié)點(diǎn)之間的連接權(quán)值以使網(wǎng)絡(luò)運(yùn)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(huì)并記憶給定的學(xué)習(xí)樣本集。模型判識(shí)的實(shí)質(zhì)就是將待判識(shí)的數(shù)據(jù)輸入訓(xùn)練收斂的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析計(jì)算，從而對(duì)輸入數(shù)據(jù)進(jìn)行分類識(shí)別。而校正分析模塊則是將網(wǎng)絡(luò)判識(shí)結(jié)果與實(shí)際結(jié)果對(duì)比，進(jìn)行判識(shí)結(jié)果校正和學(xué)習(xí)樣本的實(shí)時(shí)提取。

 

BP神經(jīng)網(wǎng)絡(luò)可以看作是一個(gè)從輸入空間到輸出空間的高度非線性映射。由萬(wàn)能逼近定理^[7]知：含一個(gè)隱含層的3層BP神經(jīng)網(wǎng)絡(luò)，只要隱含層節(jié)點(diǎn)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(shí)時(shí)識(shí)別算法主要分為兩部分，分別為自主學(xué)習(xí)算法和判識(shí)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(duì)應(yīng)特征，選取代表地層變化趨勢(shì)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(yùn)用數(shù)學(xué)手段建立地層識(shí)別模型。而在判識(shí)分析算法中，結(jié)合地層識(shí)別模型，通過(guò)運(yùn)算分類，對(duì)煤層實(shí)現(xiàn)實(shí)時(shí)識(shí)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(jìn)行計(jì)算，實(shí)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(diǎn)個(gè)數(shù)分別為n、P和q，對(duì)各層連接權(quán)值w_ih、w_ho和節(jié)點(diǎn)閾值θ_h、θ_o賦一個(gè)隨機(jī)數(shù)，該隨機(jī)數(shù)在區(qū)間(-1，1)內(nèi)；給定計(jì)算精度ε(ε＜0)和最大學(xué)習(xí)次數(shù)M，學(xué)習(xí)步長(zhǎng)η。

    2) 選擇km個(gè)樣本集中的第是(從k=1開始)個(gè)輸入樣本向量x^k=(x₁，x₂，…，x_n)^k，及對(duì)應(yīng)的期望輸出向量d^k=(d₁，d₂，…，d_n)^k。對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，期望輸出數(shù)據(jù)進(jìn)行正交編碼處理。

3) 計(jì)算隱含層和輸出層各節(jié)點(diǎn)的輸入向量hi^k、ji^k擴(kuò)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(jì)算誤差函數(shù)對(duì)輸出層的各節(jié)點(diǎn)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(jì)算誤差函數(shù)對(duì)隱含層的各節(jié)點(diǎn)的偏導(dǎo)數(shù)δ_h^k：

 

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

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

 

    8) 計(jì)算全局誤差

    9) 判斷網(wǎng)絡(luò)誤差是否滿足要求。

    當(dāng)時(shí)E^k＞ε，選取下一組學(xué)習(xí)樣本，返回到步驟2)，進(jìn)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(shí)，說(shuō)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(duì)參數(shù)進(jìn)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(shí)，網(wǎng)絡(luò)收斂，可以進(jìn)行網(wǎng)絡(luò)判識(shí)。

2.1.2 判識(shí)分析算法

    1) 將待判識(shí)錄井?dāng)?shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，計(jì)算網(wǎng)絡(luò)輸出向量yo^k；

 

    2) 結(jié)合學(xué)習(xí)過(guò)程中設(shè)定的期望輸出向量，對(duì)計(jì)算出的輸出向量進(jìn)行分類。

    實(shí)時(shí)識(shí)別算法在實(shí)際應(yīng)用過(guò)程中需要對(duì)部分參數(shù)進(jìn)行適當(dāng)調(diào)整，從而對(duì)算法進(jìn)行修正，調(diào)整后的算法在分析海量錄井?dāng)?shù)據(jù)時(shí)計(jì)算速度會(huì)加快，準(zhǔn)確性也會(huì)相應(yīng)提高。通過(guò)實(shí)驗(yàn)證明，在煤層實(shí)時(shí)識(shí)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(diǎn)數(shù)的多少對(duì)網(wǎng)絡(luò)性能和收斂速度有很大影響。但是目前沒(méi)有可靠的理論和方法可以準(zhǔn)確確定隱含層節(jié)點(diǎn)個(gè)數(shù)，該算法中應(yīng)用了的經(jīng)驗(yàn)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(jìn)行計(jì)算，經(jīng)常出現(xiàn)溢出情況，于是對(duì)輸入層數(shù)據(jù)進(jìn)行了歸一化方式為的處理，將采樣值波動(dòng)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(jì)算過(guò)程中數(shù)據(jù)溢出，也相應(yīng)的提高了運(yùn)算速度。需要注意的是，在學(xué)習(xí)過(guò)程和判識(shí)過(guò)程中，對(duì)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(shí)時(shí)識(shí)別算法主要用于進(jìn)行地層分類分類識(shí)別。因此，運(yùn)算過(guò)程中傳輸函數(shù)f(x)采用了單極sigmoid激勵(lì)函數(shù)，即。

    4) 在最初的識(shí)別算法中，樣本的期望輸出值設(shè)定為0或1，采用sigmoid激勵(lì)函數(shù)，造成了網(wǎng)絡(luò)部分節(jié)點(diǎn)連接權(quán)值的無(wú)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(shí)時(shí)識(shí)別算法，我們編制了Visual Basic程序，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練和地層判識(shí)的軟件應(yīng)用，并設(shè)計(jì)實(shí)驗(yàn)進(jìn)行了應(yīng)用測(cè)試(表1)。在該實(shí)驗(yàn)設(shè)計(jì)中，測(cè)試實(shí)現(xiàn)對(duì)地層進(jìn)行煤層、泥巖層、砂巖層3種地層模式的分類識(shí)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(guò)對(duì)某區(qū)塊的綜合錄井?dāng)?shù)據(jù)進(jìn)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(xiàng)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(diǎn)設(shè)置為5個(gè)，從而構(gòu)建一個(gè)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(duì)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(jì)算步驟對(duì)這個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。設(shè)置網(wǎng)絡(luò)計(jì)算精度為10^-5，步長(zhǎng)為2，在經(jīng)過(guò)3637次學(xué)習(xí)訓(xùn)練后，網(wǎng)絡(luò)收斂，達(dá)到精度要求，識(shí)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(shí)別模式進(jìn)行檢驗(yàn)。按照2.1.2中步驟進(jìn)行計(jì)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(shí)別正確11組，準(zhǔn)確度達(dá)到了91.7%，實(shí)現(xiàn)了對(duì)煤層的有效識(shí)別。

    1) 對(duì)實(shí)時(shí)識(shí)別煤層的方法進(jìn)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(shí)別分析手段，提出了煤層氣水平井煤層實(shí)時(shí)識(shí)別模型的建構(gòu)，提煉了實(shí)時(shí)識(shí)別算法，實(shí)現(xiàn)了煤層的實(shí)時(shí)識(shí)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(shí)時(shí)識(shí)別方法的理論基礎(chǔ)上，開發(fā)了相應(yīng)的煤層實(shí)時(shí)識(shí)別軟件系統(tǒng)，通過(guò)增加計(jì)算機(jī)的輔助自動(dòng)分析能力，提高了現(xiàn)場(chǎng)煤層識(shí)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(shí)時(shí)識(shí)別煤層，監(jiān)測(cè)水平段軌跡在煤層中的延伸，還可以對(duì)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(jìn)，張輝.地層巖性隨鉆識(shí)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(shí)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(jì)的理論與方法[M].北京：國(guó)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(lè)守群 西南石油大學(xué)石油工程學(xué)院)