編譯:張卓 姚淑影 (西南石油大學(xué)研究生部)

審校:葉仲斌 舒政 施雷庭 (油氣藏地質(zhì)與開發(fā)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室·西南石油大學(xué))

煤層氣藏人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的研發(fā)與測(cè)試

編譯:張卓 姚淑影 (西南石油大學(xué)研究生部)

審校:葉仲斌 舒政 施雷庭 (油氣藏地質(zhì)與開發(fā)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室·西南石油大學(xué))

油藏模擬器可有效地預(yù)測(cè)油氣藏的生產(chǎn)動(dòng)態(tài),具有很好的準(zhǔn)確性。但是,在油氣藏開發(fā)的初期階段,對(duì)儲(chǔ)集層物性和生產(chǎn)參數(shù)的認(rèn)識(shí)有很大程度的不確定性。而專家系統(tǒng)就像一個(gè)篩選工具一樣能夠用較低的成本和較少的時(shí)間模擬油氣藏的動(dòng)態(tài)。本文所描述的專家系統(tǒng)是一種預(yù)測(cè)煤層氣藏生產(chǎn)動(dòng)態(tài)的工具,其作用與數(shù)值模擬器相類似。專家系統(tǒng)借助于大量的數(shù)據(jù)而得到訓(xùn)練,對(duì)于給定的煤層氣藏能夠預(yù)測(cè)大約10年的氣和水的生產(chǎn)剖面。同時(shí),模型的其他輸出還包括:累積產(chǎn)氣量、累積產(chǎn)水量、期望的峰值氣產(chǎn)量、達(dá)到峰值產(chǎn)量的時(shí)間以及煤層氣藏廢棄時(shí)間。本研究還涉及到逆向?qū)＜蚁到y(tǒng)的研發(fā),它能夠從所期望的煤層氣藏方案中篩選出最佳的生產(chǎn)方案。而常規(guī)油藏模擬器只有對(duì)大量的方案進(jìn)行研究之后才能提出最佳的設(shè)計(jì)方案。逆向?qū)＜蚁到y(tǒng)能夠有效地解決最優(yōu)化問題。

煤層氣藏 人工神經(jīng)網(wǎng)絡(luò) 數(shù)值模型 逆向?qū)＜蚁到y(tǒng) 生產(chǎn)動(dòng)態(tài)預(yù)測(cè)

1 引言

在油氣藏開發(fā)的初期,在確定油藏參數(shù)方面具有很大的不確定性。這時(shí),就需要研發(fā)一種能夠考慮可能的儲(chǔ)集層物性和設(shè)計(jì)參數(shù)的組合來預(yù)測(cè)生產(chǎn)動(dòng)態(tài)的篩選工具。通過用這些參數(shù)在物理上的合理組合去訓(xùn)練人工神經(jīng)網(wǎng)絡(luò),就有可能得到一種簡(jiǎn)單且成本合理的工具來模擬特定時(shí)期的煤層氣藏的生產(chǎn)動(dòng)態(tài)。

在建立神經(jīng)網(wǎng)絡(luò)模型的過程中,影響產(chǎn)氣量的大部分重要參數(shù)都作為輸入?yún)?shù)。模型輸入?yún)?shù)分為兩類:儲(chǔ)集層物性參數(shù)和生產(chǎn)設(shè)計(jì)參數(shù)。用于此研究的神經(jīng)模擬法涉及到結(jié)合硬件計(jì)算和軟件計(jì)算程序。通過利用PSU COALCOMP模擬器和大量的數(shù)據(jù)樣本來訓(xùn)練及測(cè)試專家系統(tǒng)工具箱的有效性。PSU COALCOMP是 Manik和 Ertekin兩人于2002年開發(fā)的一個(gè)三維組分煤層氣藏模擬器。

人工神經(jīng)網(wǎng)絡(luò) (ANN)是根據(jù)生物神經(jīng)系統(tǒng)功能的原理而建立的計(jì)算模型。它建立在以下的假設(shè)之上:通過大量的簡(jiǎn)單處理單元 (節(jié)點(diǎn))之間的相互作用之后,獲得一定水平的智能。從數(shù)學(xué)角度講,當(dāng)人工神經(jīng)網(wǎng)絡(luò)有輸入數(shù)據(jù)集時(shí),網(wǎng)絡(luò)會(huì)產(chǎn)生各個(gè)輸入?yún)?shù)的權(quán)重,進(jìn)而產(chǎn)生輸出結(jié)果,這個(gè)過程被稱為網(wǎng)絡(luò)學(xué)習(xí)過程。通過調(diào)整節(jié)點(diǎn)之間的權(quán)重提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力 (Mohaghegh等人,1994)。神經(jīng)網(wǎng)絡(luò)最重要的特征是它的適應(yīng)性。讓神經(jīng)網(wǎng)絡(luò)接受足夠的樣本訓(xùn)練,它們就能夠通過調(diào)整神經(jīng)元之間的權(quán)重進(jìn)行學(xué)習(xí)。

一個(gè)專家系統(tǒng)基本由下述部分組成。一是知識(shí)庫,它一般包括人類專家給出的數(shù)據(jù),同時(shí)還包括數(shù)據(jù)收集以及將數(shù)據(jù)轉(zhuǎn)化成計(jì)算機(jī)能夠識(shí)別的形式;二是推理機(jī),即根據(jù)知識(shí)庫中包含的規(guī)律和實(shí)際情況所編寫的計(jì)算機(jī)程序以及用戶和計(jì)算機(jī)進(jìn)行交流的用戶界面。借助于大量數(shù)據(jù)庫的訓(xùn)練,研發(fā)的專家系統(tǒng)得到充分訓(xùn)練,它就有能力針對(duì)特定特征的煤層氣藏提供大約10年的氣和水的生產(chǎn)剖面。

2 數(shù)據(jù)生成和網(wǎng)絡(luò)訓(xùn)練策略

有必要準(zhǔn)備對(duì)煤層氣藏生產(chǎn)有重大影響的參數(shù)清單。在煤層氣藏中,源巖和儲(chǔ)集巖相同。因此,氣的生產(chǎn)剖面和運(yùn)移機(jī)理與常規(guī)氣藏不同。輸入?yún)?shù)分為兩大類。儲(chǔ)集層物性,神經(jīng)網(wǎng)絡(luò)通過這些物性數(shù)據(jù)在其預(yù)測(cè)模型中輸出結(jié)果。儲(chǔ)集層物性參數(shù)見表1。

儲(chǔ)集層物性不能人為控制,但某些工程參數(shù)可以人為控制。并且,合理調(diào)整工程參數(shù)可以調(diào)高產(chǎn)量。一些工程參數(shù)以及它們?cè)谀Ｐ椭袘?yīng)用時(shí)的變化范圍示于表2。

只考慮這些數(shù)據(jù)的極值情況就可能得出218種參數(shù)組合,這些參數(shù)組合輸入到數(shù)值模型,產(chǎn)生訓(xùn)練數(shù)據(jù)。但我們的目標(biāo)是利用物理上合理的組合來開發(fā)模擬程序,并且這些組合能夠有效地幫助我們定義問題。在已有的專家知識(shí)和實(shí)際生產(chǎn)方案的基礎(chǔ)上,可以得出不同的輸入組合,這樣就可以減少模擬程序運(yùn)行的次數(shù)到剛好所需要的值。

表1 用于訓(xùn)練專家系統(tǒng)的儲(chǔ)集層物性范圍

表2 用于訓(xùn)練專家系統(tǒng)的設(shè)計(jì)參數(shù)范圍

一旦模擬程序運(yùn)行完畢,就可以將數(shù)據(jù)提供給人工神經(jīng)網(wǎng)絡(luò)。它的高效預(yù)測(cè)能力和概括能力取決于許多因素?，F(xiàn)在還沒有較好的準(zhǔn)則來確保預(yù)測(cè)的準(zhǔn)確性。網(wǎng)絡(luò)結(jié)構(gòu)這個(gè)術(shù)語指的是所使用的網(wǎng)絡(luò)類型、隱層和神經(jīng)元的數(shù)量、網(wǎng)絡(luò)內(nèi)部各層之間數(shù)據(jù)傳遞的函數(shù)、訓(xùn)練函數(shù),以及其他用戶可以測(cè)試的一些影響因素。在油藏工程應(yīng)用過程中的概括問題方面,前饋反向傳播網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中最常用的。在本研究中一直用此網(wǎng)絡(luò)訓(xùn)練所有的模型。

3 研發(fā)步驟

研究中,在完成最終的通用模型之前研發(fā)了幾個(gè)中間模型。本文給出了兩個(gè)主要中間模型:

◇對(duì)于一個(gè)特定的油氣藏,井的設(shè)計(jì)參數(shù)變化的模型;

◇井的設(shè)計(jì)參數(shù)不變,儲(chǔ)集層物性變化的煤層氣藏模型。

構(gòu)建網(wǎng)絡(luò)時(shí),有兩個(gè)重要的問題需要特別注意。一是網(wǎng)絡(luò)欠訓(xùn)練,經(jīng)常發(fā)生在訓(xùn)練環(huán)節(jié)將要結(jié)束時(shí),這會(huì)導(dǎo)致網(wǎng)絡(luò)的概括能力較差;二是過度訓(xùn)練,在網(wǎng)絡(luò)開始記憶所給數(shù)據(jù)時(shí)可能發(fā)生。

4 井設(shè)計(jì)參數(shù)改變的人工神經(jīng)網(wǎng)絡(luò)

該模型的所有預(yù)測(cè)結(jié)果只適用于儲(chǔ)集層物性不變,而井的設(shè)計(jì)參數(shù)變化的儲(chǔ)集層。研究了兩種不同的情況:滲透率各向同性系統(tǒng)和各向異性系統(tǒng)。各向同性情況下,生成模擬數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的儲(chǔ)集層物性示于表3。

表3 井設(shè)計(jì)參數(shù)改變的模型中運(yùn)用的儲(chǔ)集層物性 (均質(zhì)的)

用來訓(xùn)練網(wǎng)絡(luò)的儲(chǔ)集層生產(chǎn)剖面 (q,日產(chǎn)氣量)是時(shí)間的指數(shù)函數(shù):

不同情況下的系數(shù)作為輸出數(shù)據(jù)給出,同時(shí)網(wǎng)絡(luò)也得到了訓(xùn)練。這個(gè)工作模型總共有130個(gè)數(shù)據(jù)樣本,其中80個(gè)用于訓(xùn)練,30個(gè)用于有效性檢驗(yàn),20個(gè)用于測(cè)試。最初嘗試的網(wǎng)絡(luò)包含一個(gè)隱性層,12個(gè)神經(jīng)元。神經(jīng)元的數(shù)量,根據(jù)輸入數(shù)據(jù)的數(shù)量、輸出數(shù)據(jù)的數(shù)量以及用來訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)樣本的數(shù)量粗略確定。當(dāng)隱層神經(jīng)元的數(shù)量大于16時(shí),就會(huì)降低網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性。作為停止準(zhǔn)則的一個(gè)部分,最大運(yùn)行次數(shù)增加到2000次。但是增加合法性錯(cuò)誤的運(yùn)行次數(shù)設(shè)置為200次即可接受。在相同網(wǎng)絡(luò)結(jié)構(gòu)的條件下,具有激勵(lì)傳遞函數(shù)的網(wǎng)絡(luò)表現(xiàn)更好。這種網(wǎng)絡(luò)的樣本結(jié)果見表4。

用滲透率各向異性的儲(chǔ)集層物性參數(shù)去訓(xùn)練同一個(gè)網(wǎng)絡(luò)。儲(chǔ)集層物性見表5。在這種情況下,這種用函數(shù)擬合產(chǎn)氣量曲線,并預(yù)測(cè)系數(shù)的方法行不通。取而代之的是,收集由數(shù)值模擬運(yùn)行得出的不同時(shí)間的產(chǎn)氣量,并作為輸出數(shù)據(jù)去訓(xùn)練網(wǎng)絡(luò)。

盡管這種方法會(huì)擴(kuò)大輸出矩陣的規(guī)模,但它能更有效地預(yù)測(cè)產(chǎn)氣量。當(dāng)一個(gè)通用模型被研發(fā)出來之后,對(duì)于相似結(jié)構(gòu)的網(wǎng)絡(luò)不管給定什么樣的儲(chǔ)集層物性組合都很有可能預(yù)測(cè)出產(chǎn)氣量。共準(zhǔn)備了100個(gè)模擬程序,60個(gè)用于訓(xùn)練,20個(gè)用于有效性校驗(yàn),20個(gè)用于測(cè)試。經(jīng)過不斷地摸索,發(fā)現(xiàn)訓(xùn)練網(wǎng)絡(luò)所需的隱性神經(jīng)元個(gè)數(shù)在15～18之間。這時(shí)再將不同的儲(chǔ)集層排采井網(wǎng)輸入網(wǎng)絡(luò),統(tǒng)一X方向和Y方向上的網(wǎng)格量綱。這種模型的輸出結(jié)果見表6。

表4 在儲(chǔ)集層物性不變的模型中人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與數(shù)值模擬值對(duì)比

表5 井設(shè)計(jì)參數(shù)改變的模型中運(yùn)用的儲(chǔ)集層物性 (非均質(zhì)的)

表6 在同一儲(chǔ)集層物性條件下人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與數(shù)值模擬值對(duì)比

5 儲(chǔ)集層物性改變的人工神經(jīng)網(wǎng)絡(luò)

儲(chǔ)集層物性參數(shù)的改變會(huì)影響系統(tǒng)的非線性程度,并且期待這種非線性程度受到高度重視。因?yàn)閮?chǔ)集層物性并不為生產(chǎn)者所控制,并且影響產(chǎn)氣量的每個(gè)儲(chǔ)集層物性參數(shù)的重要性又是準(zhǔn)備合適的數(shù)據(jù)樣本必不可少的。所研究的所有模擬運(yùn)行都是在固定的操作條件下進(jìn)行的,操作條件概括于表7。

表7 儲(chǔ)集層物性改變的模型中所用井設(shè)計(jì)參數(shù)

測(cè)量了15個(gè)不同時(shí)間段的產(chǎn)氣量,并將其作為輸出。由于網(wǎng)絡(luò)越來越復(fù)雜,不太可能針對(duì)所有情況都得到相同水平的準(zhǔn)確性。最初,在保持其他參數(shù)不變的情況下,只考慮了5個(gè)重要參數(shù) (滲透率、原始煤層氣藏壓力、吸附壓力、吸附量和吸附時(shí)間)。如果輸入數(shù)據(jù)中包含原始含水飽和度,將會(huì)給系統(tǒng)帶來更復(fù)雜的非線性關(guān)系。而像煤密度、煤層氣藏溫度和Correy相關(guān)系數(shù)那樣的參數(shù)對(duì)生產(chǎn)剖面沒有太大的影響。要想建立一個(gè)起作用的神經(jīng)網(wǎng)絡(luò)模型,100個(gè)模擬程序是不夠的,還需更多。

當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)中包含一個(gè)有60個(gè)神經(jīng)元的隱層時(shí),人工神經(jīng)網(wǎng)絡(luò)就能輸出最佳的結(jié)果。網(wǎng)絡(luò)結(jié)構(gòu)中,吸附能力的單位以 SCF/ton(1 SCF/ton=2.8316×10-5m3/kg)表示,而不是以1b·mol(氣)/ton(煤)表示。吸附時(shí)間常數(shù)的單位是以天表示,而不是以秒表示。輸入數(shù)據(jù)中還包括X方向和Y方向上的滲透率之比。注意,這些網(wǎng)絡(luò)獲取一些非線性關(guān)系之類的學(xué)習(xí)能力,是通過對(duì)其背后的數(shù)學(xué)方程和物理模型粗略的理解之后得出來的。從這個(gè)模型中輸出的樣本結(jié)果見表8。

表8 在儲(chǔ)集層物性設(shè)計(jì)參數(shù)不變的條件下人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與數(shù)值模擬值對(duì)比

6 通用模型

一旦儲(chǔ)集層物性確定,工程師將決定操作參數(shù)。針對(duì)有潛力的煤層氣藏,這種模型能夠像數(shù)值模型那樣預(yù)測(cè)其生產(chǎn)剖面,從而預(yù)測(cè)產(chǎn)量。它還應(yīng)該具有預(yù)測(cè)產(chǎn)水量的作用,因?yàn)樵诂F(xiàn)有生產(chǎn)條件下,系統(tǒng)排水時(shí)間在確定經(jīng)濟(jì)開采煤層氣藏方面起著重要的作用。最初準(zhǔn)備了200個(gè)模擬程序來得到每個(gè)參數(shù)在輸出結(jié)果中所占的權(quán)重。

當(dāng)氣井是水平井時(shí),井放在 Y方向上,因?yàn)檫@時(shí)X方向被假定為高滲透率方向。與前面的模型相似,在關(guān)聯(lián)權(quán)重分析的基礎(chǔ)上,最初只考慮了9個(gè)重要參數(shù) (表9),而其他輸入?yún)?shù)保持不變。當(dāng)簡(jiǎn)化的模型開始工作時(shí),將這9個(gè)重要參數(shù)逐一輸入網(wǎng)絡(luò)。

表9 研發(fā)通用模型的初始輸入的重要參數(shù)

當(dāng)這些輸入?yún)?shù)中原始含水飽和度變化時(shí),遇到了一些問題:

◇網(wǎng)絡(luò)不能準(zhǔn)確預(yù)測(cè)峰值產(chǎn)氣量以及其出現(xiàn)的時(shí)間。

◇在一些定期的產(chǎn)氣量預(yù)測(cè)過程中出現(xiàn)了嚴(yán)重的波動(dòng)。大部分出現(xiàn)這種情況的煤層氣藏都包含了以下因素的組合:高裂縫滲透率 (＞500 mD)、高原始含水飽和度或過早廢棄時(shí)間。

這種模型被分為兩部分。在第一部分中,在峰值產(chǎn)氣量作為輸出結(jié)果之前,先計(jì)算10個(gè)等距分布的時(shí)間點(diǎn)的產(chǎn)氣量,使網(wǎng)絡(luò)得到訓(xùn)練;在第二部分中,相似的訓(xùn)練,在峰值出現(xiàn)后計(jì)算產(chǎn)氣量。當(dāng)對(duì)預(yù)測(cè)結(jié)果相當(dāng)滿意時(shí),將這兩個(gè)模型合并成一個(gè)模型。據(jù)觀察,產(chǎn)生預(yù)測(cè)結(jié)果嚴(yán)重波動(dòng)的主要原因是網(wǎng)絡(luò)訓(xùn)練的循環(huán)次數(shù)不夠。

網(wǎng)絡(luò)不能預(yù)測(cè)峰值附近的產(chǎn)氣量是一個(gè)有待解決的非常具有挑戰(zhàn)性的難題。一方面,在高裂縫滲透率的煤層中,氣體產(chǎn)生太快,以至于峰值產(chǎn)氣量在第20或第30天就出現(xiàn)了。另一方面,對(duì)于低孔、低滲的煤層氣藏,氣體釋放速度太慢,峰值產(chǎn)氣量出現(xiàn)的時(shí)間很晚,如一年或更久。最終的工作模型包括2個(gè)隱層,各自包括65個(gè)和30個(gè)神經(jīng)元。模型結(jié)構(gòu)見圖1。

當(dāng)模型應(yīng)用于水平井時(shí),模型輸出的產(chǎn)氣量、產(chǎn)水量預(yù)測(cè)樣本如圖2所示。

7 逆向模型

確定最優(yōu)并不是一件容易的任務(wù)。正如下面所介紹的一樣,將專家知識(shí)和人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)合起來,采取一種務(wù)實(shí)的態(tài)度就能實(shí)現(xiàn)最優(yōu)化。在這個(gè)逆向模型中,實(shí)現(xiàn)井底生產(chǎn)壓力預(yù)測(cè)和涵蓋煤層氣藏5年內(nèi)所期望采出氣量百分比的井模擬的可能性已經(jīng)得到了證實(shí)。同樣又研究了2個(gè)不同的模型:一個(gè)適用于水平井;另一個(gè)適用于直井。除了包含5年末的采收率之外,逆向模型的輸入數(shù)據(jù)與前向傳播模型相同,而井底流壓和由表皮系數(shù)大小所決定的增產(chǎn)措施水平作為預(yù)測(cè)的輸出結(jié)果。

圖2 應(yīng)用于水平井的通用模型對(duì)產(chǎn)氣量和產(chǎn)水量預(yù)測(cè)

函數(shù)關(guān)系包括井底流壓和裂縫滲透率的比值、井底流壓和采收率的比值、井底流壓和儲(chǔ)集層厚度的比值、井底流壓和原始含水飽和度的比值,這些函數(shù)關(guān)系與其他數(shù)據(jù)一起輸出。在逆向模型的應(yīng)用過程中,問題的解決方法不是唯一的,只是由于預(yù)測(cè)值與模擬結(jié)果不一致,這種解決方法不能同時(shí)丟棄。使逆向模型更有效的最好方法是,將從神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出的井底流壓和表皮系數(shù)輸入到針對(duì)此煤層氣藏的數(shù)值模型中,然后對(duì)比數(shù)值模擬得到的5年末的采收率和輸入到神經(jīng)網(wǎng)絡(luò)中的5年末的采收率。當(dāng)逆向模型用于水平井和直井時(shí),從模型中得到的預(yù)測(cè)樣本和采收率對(duì)比分別見圖3、圖4。

8 結(jié)論

(1)借助于大量的煤層氣藏知識(shí)和誤差反傳算法,成功研發(fā)和測(cè)試了一種以神經(jīng)模擬方法為基礎(chǔ)、能夠預(yù)測(cè)煤層氣藏生產(chǎn)動(dòng)態(tài)的篩選工具。

圖4 逆向模型用于垂直井時(shí)的采收率對(duì)比

(2)這種模型的能力已經(jīng)拓展到預(yù)測(cè)產(chǎn)水量。因?yàn)樾枰コ乃恳约斑_(dá)到此目的所需的時(shí)間是影響煤層氣藏開采的經(jīng)濟(jì)學(xué)評(píng)價(jià)的一個(gè)重要因素。

(3)所選取的運(yùn)行模擬器并訓(xùn)練網(wǎng)絡(luò)的輸入數(shù)據(jù)組合應(yīng)該覆蓋較寬的范圍。同時(shí),所有的組合應(yīng)該在實(shí)踐中可行并且能夠代表實(shí)際煤層氣藏。

(4)在具有高原始含水飽和度和高裂縫滲透率的煤層氣藏中,人工神經(jīng)網(wǎng)絡(luò)對(duì)其峰值產(chǎn)量的預(yù)測(cè)并不總是準(zhǔn)確的。

(5)隨機(jī)地選取和測(cè)試樣本,對(duì)于建立網(wǎng)絡(luò)的可靠性以及確保模型的預(yù)測(cè)能力不僅僅局限于代表煤層氣藏共性的樣本數(shù)據(jù)來說,是必要的。

10.3969/j.issn.1002-641X.2010.3.001

資料來源于美國(guó)《SPE 119935》

2008-12-31)