劉之的,趙靖舟,楊秀春,陳彩紅,張繼坤,王 劍

(1.西安石油大學 地球科學與工程學院,陜西 西安710065;2.中石油 煤層氣有限責任公司,北京100028)

鄂爾多斯盆地東部是我國煤層氣勘探開發(fā)重點地區(qū)之一,該區(qū)經(jīng)過多年的勘探開發(fā),積累了豐富的地質、測井及排采動態(tài)資料,煤層氣儲層測井評價工作也取得了一定的成效,但現(xiàn)有的煤層含氣量測井定量評價技術還不能滿足煤層氣勘探開發(fā)的跨越式發(fā)展1-4]。從測井角度預測煤層含氣量,現(xiàn)場上多采用密度測井法[5-9]。然而,隨著煤層含氣量的增大,補償中子和補償聲波等測井幅值也具有一定的響應或變化。因此,基于研究區(qū)的煤層含氣量化驗分析資料和測井資料,在深度挖掘和系統(tǒng)對比能夠有效反映煤層含氣量的測井參數(shù)之后,篩選煤層含氣量建模數(shù)據(jù)庫,構建適用于研究區(qū)的煤層含氣量多測井參數(shù)非線性預測模型,以期提升煤層含氣量的測井預測精度。

1 煤層含氣量敏感性測井參數(shù)優(yōu)選

優(yōu)選對煤層含氣量敏感性較強的測井參數(shù)直接關系到煤層含氣量的測井預測精度[10-12]。研究區(qū)內尚未使用核磁等測井新技術,測井資料僅局限于常規(guī)測井曲線,鑒于此,本文只針對常規(guī)測井資料來探討煤層含氣量的敏感性測井參數(shù)。為了探究煤層含氣量的敏感性測井參數(shù),本研究基于煤巖心含氣量室內化驗分析值與測井測量值,采用最小二乘法對兩者進行了擬合回歸,并根據(jù)其相關系數(shù)大小來揭示煤層含氣量與測井參數(shù)間的內在敏感性。

針對煤儲層擴徑、泥漿侵入等環(huán)境影響較為嚴重等實際情況,在煤層含氣量的敏感性測井參數(shù)優(yōu)選分析之前,對煤儲層測井曲線的環(huán)境影響進行反演校正,力求還原較為真實可靠的煤儲層地球物理測井信息,以保障煤層含氣量的敏感性測井參數(shù)優(yōu)選的正確無誤。已有研究[5-6]表明,密度測井能夠較為有效地反映煤層的含氣量,因此,利用密度測井曲線進行煤巖心室內含氣量分析化驗數(shù)據(jù)的歸位。提取歸位后的補償密度(DEN)、補償中子(CNL)、聲波時差(AC)、自然伽馬(GR)及電阻率(RT)測井數(shù)據(jù),回歸擬合出測井參數(shù)與煤層含氣量Vg回歸方程(表1)。由表1中的回歸系數(shù)可知,補償中子、補償密度、聲波時差和自然伽馬測井反映煤層的含氣量敏感性依次降低,而電阻率測井的擬合效果則相對較差。因此,在構建煤層含氣量的多測井參數(shù)計算模型時,可優(yōu)先選擇補償密度和補償中子,其次選擇聲波時差和自然伽馬等測井參數(shù),電阻率測井可以不予考慮。

表1 煤層含氣量與單測井參數(shù)敏感性分析對比表Tab.1 Comparison of sensitivity of single logging parameters to coaldbed gas content

2 灰色關聯(lián)法篩選含氣量測井參數(shù)建模數(shù)據(jù)庫

2.1 煤巖心含氣量-測井相統(tǒng)計模式的建立[13-14]

充分利用關鍵井的煤巖心資料,采用煤巖心含氣量室內分析化驗數(shù)據(jù)與測井響應特征值對比法,開展煤巖心含氣量分析化驗值的深度歸位;然后,根據(jù)煤巖心歸位后的深度提取所對應的測井響應值,從而建立煤巖心含氣量-測井相的統(tǒng)計模式。

基于上述測井敏感性分析可知,DEN、CNL、AC、GR4個測井參數(shù)能有效地反映煤層含氣量,于是本研究采用這4個測井參數(shù)構建了煤巖心含氣量-測井相統(tǒng)計模式(見表2)。

表2 研究區(qū)煤巖心含氣量-測井相統(tǒng)計模式Tab.2 Statistical modes of gas content in coal cores and logging facies in the studied area

2.2 灰色關聯(lián)法分析篩選煤層含氣量建模數(shù)據(jù)庫

由上述煤層含氣量敏感性測井參數(shù)優(yōu)選可知,密度、中子、聲波和自然伽馬都能夠不同程度地反映煤層的含氣量,于是可容易構建表2所示的煤層含氣量測井建模數(shù)據(jù)庫。然而,煤層埋藏淺,微孔隙和裂縫發(fā)育,極易受泥漿侵入的影響。此外,煤層的機械強度低,鉆進過程中容易坍塌,擴徑影響尤為突出,這些環(huán)境因素的影響導致煤層氣儲層測井響應產生不同程度的畸變,盡管在利用測井資料構建煤層含氣量預測模型前做了環(huán)境影響校正,但校正結果是否完全真實可靠地反映了煤儲層的地球物理測井信息往往難以保證。利用環(huán)境影響校正不徹底的測井數(shù)據(jù)構建煤儲層含氣量建模數(shù)據(jù)庫,勢必給含氣量預測引入誤差。鑒于此,本文利用灰色關聯(lián)法分析優(yōu)選煤層含氣量測井參數(shù)建模數(shù)據(jù)庫,依據(jù)其灰色關聯(lián)系數(shù)的大小來厘定煤層含氣量測井參數(shù)建模數(shù)據(jù)庫的有效性。

表3是煤層含氣量測井參數(shù)數(shù)據(jù)庫灰色關聯(lián)分析結果數(shù)據(jù)表,由此表中的灰色關聯(lián)度可知,3號煤巖心(韓試3-5-3)和5號煤巖心(韓試4-5-1)的灰色關聯(lián)度較低,表明該2個煤巖心的測井數(shù)據(jù)不能有效地反映該層點的煤層含氣量,視為無效數(shù)據(jù)點,給予剔除。

表3 煤層含氣量測井參數(shù)數(shù)據(jù)庫灰色關聯(lián)分析結果Tab.3 Grey correlation analysis result of CBM content logging parameter database

3 煤層含氣量預測模型構建

3.1 煤層含氣量神經(jīng)網(wǎng)絡模型結構的確定

已有研究[15-16]表明,神經(jīng)網(wǎng)絡法在數(shù)據(jù)擬合和參數(shù)預測等方面具有明顯的優(yōu)勢,為此本研究利用BP神經(jīng)網(wǎng)絡來構建煤層含氣量測井預測模型。

基于上述優(yōu)選的煤層含氣量敏感性參數(shù)以及嚴格篩選含氣量建模測井數(shù)據(jù)庫,結合BP神經(jīng)網(wǎng)絡建立了煤層段的含氣量測井預測模型。

由上述煤層含氣量敏感性測井參數(shù)分析研究可知,研究區(qū)內密度和補償中子測井能夠較好地反映煤層的含氣量,而聲波、自然伽馬測井亦具有一定的敏感性,鑒于此,本研究以DEN、CNL、AC、GR作為輸入變量,以煤層含氣量作為期望輸出值,反復試算檢驗之后,最終選擇12個隱含層結點來構成煤層含氣量的神經(jīng)網(wǎng)絡預測模型的拓撲結構(圖1),即三層網(wǎng)絡(4-12-1)。

圖1 神經(jīng)網(wǎng)絡法訓練測井參數(shù)與煤層含氣量之間的關系Fig.1 Relationship between CBM content and logging parameters trained by neural network

3.2 煤層含氣量神經(jīng)網(wǎng)絡模型及預測

利用研究區(qū)內煤巖心含氣量化驗分析數(shù)據(jù)和對應的測井數(shù)據(jù)構成學習樣本集,見表2(剔除無效數(shù)據(jù)點)。將表2中的煤巖心含氣量-測井相統(tǒng)計模式數(shù)據(jù)標準化后,利用神經(jīng)網(wǎng)格拓撲結構模型開展學習建模。當煤層含氣量的迭代精度滿足建模要求時,停止建模并輸出三層網(wǎng)絡各神經(jīng)元間的連接權值(表4),于是便建立了預測煤層含氣量的神經(jīng)網(wǎng)絡數(shù)學模型。

將煤巖地層的DEN、CNL、AC、GR測井響應值加載到網(wǎng)絡輸入層,輸入層接受信息逐層正向前傳,并據(jù)誤差反傳信號修正權值,重新計算。將煤層含氣量分析化驗值與神經(jīng)網(wǎng)絡預測值間的誤差作為反饋信號,反向調節(jié)網(wǎng)絡的隱含矩陣元素,使誤差信號達到最小,即可達到預測該層(點)的煤層含氣量。

利用構建的煤層含氣量測井預測模型,預測了研究區(qū)韓試12等井的煤層含氣量。圖2是利用本文所述方法預測的韓試12井煤層含氣量與煤巖心含氣量化驗分析對比圖,表5是韓試12井預測的煤層含氣量與室內化驗分析的實測煤層含氣量對比表。

表4 煤層含氣量的BP神經(jīng)網(wǎng)絡預測模型的連接權值Tab.4 Connection weights of BP neural network model for prediction of CBM content

圖2 韓試12井煤層含氣量神經(jīng)網(wǎng)絡預測成果圖Fig.2 CBM content prediction results of Hanshi 12 well using neural network

對比和深入剖析圖2、表5中的煤層含氣量實測值和測井預測值可知,本文所述方法預測的煤層含氣量精度較高,預測值與實測值間的相對誤差不超過6%,非常接近煤巖心含氣量實測值。究其原因,在構建煤層含氣預測模型時,優(yōu)選了敏感性測井參數(shù),并對其建模數(shù)據(jù)庫進行了篩選,從而有效提高了神經(jīng)網(wǎng)絡的建模精度;此外,神經(jīng)網(wǎng)絡算法具有很強的非線性映射能力,能夠精準地尋求煤層含氣量與測井參數(shù)之間的內在非線性函數(shù)關系。

表5 韓試12井煤層含氣量神經(jīng)網(wǎng)絡預測結果Tab.5 Error analysis of CBM content prediction results of Hanshi 12 well using neural network

4 結論與建議

(1)煤層含氣量的測井參數(shù)敏感性分析表明,密度、補償中子測井能夠較好地反映煤層的含氣量,建議在構建煤層含氣量的多測井參數(shù)預測模型時,應優(yōu)先選擇密度和中子測井。

(2)實測煤層含氣量與神經(jīng)網(wǎng)絡預測的煤層含氣量之間的相對誤差不超過6%,這充分表明該整套方法的預測精度能夠滿足煤層含氣量計算精度的要求。

(3)針對煤儲層測井曲線易受諸多環(huán)境因素的影響,由于其環(huán)境影響校正不徹底或校正精度不高等原因,致使所構建的建模數(shù)據(jù)庫中某些層點的測井數(shù)據(jù)不能有效地反映煤層的含氣量,建議在含氣量預測前做好測井環(huán)境影響校正的同時,對煤層含氣量建模數(shù)據(jù)進行篩選,以保障煤層含氣量的預測精度能夠滿足煤儲層測井評價的要求。

[1]趙靖舟,劉之的,時保宏,等.鄂東氣田煤層氣儲層綜合評價[R].西安:西安石油大學,2012.ZHAO Jing-zhou,LIU Zhi-di,SHI Bao-hong,et al.Comprehensive Evaluation for Coalbed Methane Reservoirin Eastern Block of Ordos Basin [R].Xi＇an:Xi＇an Shiyou U-niversity,2012.

[2]中聯(lián)煤層氣有限責任公司.中國煤層氣勘探開發(fā)技術研究[M].北京:石油工業(yè)出版社,2007.China United Coalbed Methane Co,LTD.Exploration and Development Technology Research of Coalbed Methane in China[M].Beijing:Petroleum Industry Press,2007.

[3]劉效賢.李承華.測井評價煤層氣儲層的方法探討[J].中國煤炭地質,2008,20(13):1-4.LIU Xiao-xian,LI Cheng-hua.Probe into CBM reservoir evaluation through well logging[J].Coal Geology of China,2008,20(13):1-4.

[4]王志文.煤層含氣量的測井評價技術[D].長春:吉林大學,2009.Wang Z W.Coalbed Methane Gas Content of Logging E-valuation Technology[D].Changchun:Jilin University,2009.

[5]高緒晨.密度和中子測井對煤層甲烷含量的響應及解釋[J].煤田地質與勘探,1999,27(3):25-28.GAO Xu-chen.The responses of density and neutron loggings on the coalbed methane content and the logging interpretation[J].Coal Geology ＆ Exploration,1999,27(3):25-28.

[6]張意,范曉敏,徐軍.利用測井資料評價煤層氣含量[J].吉林大學學報:地球科學版,2011,40(增刊):92-93.ZHANG Yi,FAN Xiao-min,XU Jun.Evaluation of coalbed methane content based on well logging data[J].Journal of Jilin University:Earth Science Edition,2011,40(s):92-93.

[7]黃智輝,潘和平.煤層含氣量測井解釋方法探討[J].煤田地質與勘探,1998,26(2):58-60.HUANG Zhi-hui,PAN He-ping.Discussion on the log interpretation method of coalbed gas content[J].Coal Geology ＆Exploration,1998,26(2):58-60.

[8]傅學海,陸國楨,秦杰,等.用測井響應值進行煤層氣含量擬合和煤體結構劃分[J].測井技術,1999,23(2):112-115.FU Xue-hai,LU Guo-zhen,QIN Jie,et al.Determination of coalbed gas content and classification of coalbody structure with log response[J].Well Logging Technology,1999,23(2):112-115.

[9]楊東根,范宜仁,鄧少貴,等.利用測井資料評價煤層煤質及含氣量的方法研究——以和順地區(qū)為例[J].勘探地球物理進展,2010,33(4):262-265.YANG Dong-gen,FAN Yi-ren,DENG Shao-gui,et al.Logging evaluation for coal quality and gas content:A case study in Heshun region[J].Progress in Exploration Geophysics,2010,33(3):262-265.

[10]Whetton J A,Elkington P A S,Weatherford.Processing and interpretation of density and neutron logs for the evaluation of coal bed methane reservoirs[C].SPE/EAGE European Unconventional Resources Conference and Exhibition held in Vienna,Austria,2012,March 20-22.

[11]Mullen M J.Log evaluation in well drilled for coalbed methane[C].Rocky Mountain Association of Geologists,1998.

[12]Bhanja A K,Srivastava O P.A new approach to estimate CBM gas content from well logs[C].2008 SPE Asia Pacific Oil＆ Gas Conference and Exhibition held in Perth,Australia,2008,October 20-22.

[13]霍凱中,趙永軍,孫立冬.灰色聚類分析在煤層氣選區(qū)評價中的應用[J].斷塊油氣田,2007,14(2):14-17.HUO Kai-zhong,ZHAO Yong-jun,SUN Li-dong.Application of grey cluster analysis in selective area and evaluation of coalbed methane[J].Fault-block Oil＆ Gas Field,2007,14(2):14-17.

[14]田敏,趙永軍,顓孫鵬程.灰色系統(tǒng)理論在煤層氣含量預測中的應用[J].煤田地質與勘探,2008,36(2):24-27.TIAN Min,ZHAO Yong-jun,ZHUANSUN Peng-cheng.Application of grey system theory in prediction of coalbed methane content[J].Coal Geology ＆ Exploration,2008,36(2):24-27.

[15]侯俊勝,尉中良.自組織神經(jīng)網(wǎng)絡在測井資料解釋中的應用[J].測井技術,1996,20(3):197-200.HOU Jun-sheng,WEI Zhong-liang.Application of self-organizing neural network to logging data interpretation[J].Well Logging Technology,1996,20(3):197-200.

[16]孟召平,田永東,雷旸.煤層含氣量預測的BP神經(jīng)網(wǎng)絡模型與應用[J].中國礦業(yè)大學學報,2008,37(4):456-461.MENG Zhao-ping,TIAN Yong-dong,LEI Yang.Prediction models of coal bed gas content based on BP neural networks and its applications[J].Journal of China University of Mining ＆ Technology,2008,37(4):456-461.