摘要：煤層氣排采開發階段，井眼軌跡與煤層的有效接觸面積對優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。應用LWD數據開展煤層識別已在工程現場得到廣泛應用，而整合綜合錄井數據實時識別煤層的方法還處于研究階段。基于煤層與圍巖的地層巖性差異在綜合錄井數據上表現的特征，采用BP神經網絡算法，以綜合錄井數據為依托，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，應用綜合錄井數據不但可以實現煤層實時識別，而且獲得的分析結果還可以指導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。結論認為，該方法性能穩定，數據來源廣泛，響應時間短，準確度高，并拓寬了綜合錄井數據的應用領域，可以在煤層氣水平井導向鉆井的研究工作中發揮更大的作用。

關鍵詞：煤層氣；水平井；綜合錄井；神經網絡；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實時識別煤層，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數據的分析處理進行的；而在未配備LWD設備的情況下，通常都是通過巖屑和氣測數據進行地層識別^[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的測量工作，這些工程參數通常只用來監測工程狀態，卻沒有加以充分應用來發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手段、依托綜合錄井數據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致綜合錄井數據波動的非線性問題，通過對地層巖性與綜合錄井數據對應關系的匹配形式進行自主學習^[4]，獲得反映對應關系的識別模型，繼而利用識別模型實現煤層的快速、準確識別。通過該方法的應用，有效地發揮了綜合錄井數據的綜合評價潛能，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數據與地層巖性相對應的、具有特定規律的非線性關系，將其擬合處理成為線性表達式，通過計算實現地層的分類識別。但是反映地層差異的錄井參數眾多，而部分參數又難以準確測度，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，又擅長解決規律隱含在大量數據中的映射逼近方法。而數學理論證明神經網絡具有解決任何復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]。神經網絡在地層識別分析中的應用就是通過把鉆井過程中采集到的參數、工程計算結果作為輸入，建立適用于地層識別分析的神經網絡模型作為推理機，網絡的輸出就是地層識別結果。通過對可靠歷史樣本數據的學習，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是調節BP神經網絡各層節點的閾值和節點之間的連接權值以使網絡運算誤差不斷減小，直到達到設定的誤差允許范圍，從而使網絡學會并記憶給定的學習樣本集。模型判識的實質就是將待判識的數據輸入訓練收斂的BP神經網絡進行分析計算，從而對輸入數據進行分類識別。而校正分析模塊則是將網絡判識結果與實際結果對比，進行判識結果校正和學習樣本的實時提取。

 

BP神經網絡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神經網絡，只要隱含層節點足夠多，就能以任意精度逼近有界區域上的任意連續函數。由此，眾多神經網絡的應用中，以如圖2所示的3層網絡結構的應用最為普遍。

 

    煤層實時識別算法主要分為兩部分，分別為自主學習算法和判識分析算法。在自主學習算法中，分析研究區內地層巖性和綜合錄井參數的對應特征，選取代表地層變化趨勢的錄井參數作為神經網絡輸入參數，地層分類作為輸出參數，構建學習樣本集，運用數學手段建立地層識別模型。而在判識分析算法中，結合地層識別模型，通過運算分類，對煤層實現實時識別。

2.1.1 自主學習算法

    以圖2所示3層神經網絡結構為算法構建依據，按照如下步驟^[7～8]進行計算，實現網絡的建立：

    1) 網絡初始化，輸入層、隱含層和輸出層節點個數分別為n、P和q，對各層連接權值w_ih、w_ho和節點閾值θ_h、θ_o賦一個隨機數，該隨機數在區間(-1，1)內；給定計算精度ε(ε＜0)和最大學習次數M，學習步長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，及對應的期望輸出向量d^k=(d₁，d₂，…，d_n)^k。對輸入數據進行歸一化處理，期望輸出數據進行正交編碼處理。

3) 計算隱含層和輸出層各節點的輸入向量hi^k、ji^k擴和輸出向量ho^k、yo^k，f(x)為傳輸函數：

 

4) 輸出層輸出向量yo^k與期望輸出向量d^k結合，計算誤差函數對輸出層的各節點的偏導數δ_o^k：

 

    5) 隱含層到輸出層的連接權值w_ho、輸出層的δ_o^k和隱含層的輸出向量ho^k結合，計算誤差函數對隱含層的各節點的偏導數δ_h^k：

 

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

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

 

    8) 計算全局誤差

    9) 判斷網絡誤差是否滿足要求。

    當時E^k＞ε，選取下一組學習樣本，返回到步驟2)，進行再次學習；當學習次數達到設定的最大次數M而未收斂時，說明網絡參數設置不合理，網絡收斂速度慢，在對參數進行調整后，重新開始網絡學習；直到在規定的學習次數M范圍內E^k＜ε時，網絡收斂，可以進行網絡判識。

2.1.2 判識分析算法

    1) 將待判識錄井數據輸入神經網絡，計算網絡輸出向量yo^k；

 

    2) 結合學習過程中設定的期望輸出向量，對計算出的輸出向量進行分類。

    實時識別算法在實際應用過程中需要對部分參數進行適當調整，從而對算法進行修正，調整后的算法在分析海量錄井數據時計算速度會加快，準確性也會相應提高。通過實驗證明，在煤層實時識別算法中需要作如下參數調整和算法修正：

    1) 隱含層節點數的多少對網絡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確確定隱含層節點個數，該算法中應用了的經驗公式，其中，a為[1，10]之間的常數。

    2) 算法未修正前，直接使用錄井原始數據進行計算，經常出現溢出情況，于是對輸入層數據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數據處理到[-1，1]的范圍內，從而避免計算過程中數據溢出，也相應的提高了運算速度。需要注意的是，在學習過程和判識過程中，對網絡輸入數據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f(x)采用了單極sigmoid激勵函數，即。

    4) 在最初的識別算法中，樣本的期望輸出值設定為0或1，采用sigmoid激勵函數，造成了網絡部分節點連接權值的無窮大，網絡不收斂。在該算法中，期望輸出做了適當放寬，采用了0.1和0.9的形式。

結合煤層實時識別算法，我們編制了Visual Basic程序，實現了神經網絡學習訓練和地層判識的軟件應用，并設計實驗進行了應用測試(表1)。在該實驗設計中，測試實現對地層進行煤層、泥巖層、砂巖層3種地層模式的分類識別。因此，設定以上3種地層樣本作為網絡輸出。而通過對某區塊的綜合錄井數據進行預先分析，提取出了與地層變化關聯性較好的8項錄井參數，作為網絡的輸入。隱含層設置為1層，節點設置為5個，從而構建一個8-5-3的3層神經網絡。

 

    從所獲取的地層數據中選取53組綜合錄井整米數據和對應的地層解釋數據作為學習樣本，供網絡自主學習。按照2.1.1中的計算步驟對這個神經網絡進行學習訓練。設置網絡計算精度為10^-5，步長為2，在經過3637次學習訓練后，網絡收斂，達到精度要求，識別模型建立。

    再選取學習樣本以外的12組數據作為待識別模式進行檢驗。按照2.1.2中步驟進行計算，將結果輸出(見表1)。由以上結果可見，在12組地層數據中，神經網絡識別正確11組，準確度達到了91.7%，實現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，開創了神經網絡與綜合錄井數據結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，提煉了實時識別算法，實現了煤層的實時識別，有效地提高了錄井數據的綜合利用水平。

    2) 在煤層氣水平井煤層實時識別方法的理論基礎上，開發了相應的煤層實時識別軟件系統，通過增加計算機的輔助自動分析能力，提高了現場煤層識別的響應速度，減少了人工分析的不確定性。

    3) 應用該方法配合相應圖形顯示軟件，不僅可以實時識別煤層，監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.煤層氣地質與勘探技術[M].北京：石油工業出版社，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網絡方法研究[J].天然氣工業，2006，26(12)：109-111.

[5] 方錫賢.煤層氣勘探中的錄井技術[J].天然氣工業，2004，24(5)：36-38.

[6] 孫即祥.現代模式識別[M].北京；高等教育出版社，2008.

[7] 魏海坤.神經網絡結構設計的理論與方法[M].北京：國防工業出版社，2005.

[8] 田景文，高美娟.人工神經網絡算法研究及應用[M].北京：北京理工大學出版社，2006.

 

(本文作者：李建民 李黔 梁海波 張繼軍 樂守群 西南石油大學石油工程學院)