劉斌 杜海為 崔金榜 祝捷 樊彬 張斌

1.華北油田公司煤層氣事業(yè)部；2.中國礦業(yè)大學(北京)力學與建筑工程學院

0 引言

中國擁有豐富的煤層氣資源儲存量，位居世界第三，其中埋深2 000 m 以淺的煤層氣資源量約為36.8×1012m3，與常規(guī)天然氣儲量相當，可采量約為10.9×1012m3；1 500 m 以淺資源量大于24×1012m3［1］。

煤層氣是賦存在煤層中以甲烷為主的多組分混合氣體。我國煤層氣主要開采區(qū)域集中在沁水盆地、東北阜新盆地、鄂爾多斯盆地東緣等?，F(xiàn)階段，中國煤層氣開采正面臨諸多挑戰(zhàn)，其中排采控制方面主要表現(xiàn)如下［2-3］。

(1)煤層氣解吸—擴散—滲流是極其復雜的動態(tài)過程，很難用一個數(shù)學模型進行量化、精準描述。

(2)煤層氣井產(chǎn)氣、產(chǎn)水階段性強。產(chǎn)量變化需要歷經(jīng)排采初期主要產(chǎn)水階段、排采中期氣水同產(chǎn)階段、排采后期產(chǎn)量下降階段。針對不同的開采階段需要制定不同的排采方案。

(3)在排采過程中，由于煤層氣儲層層內(nèi)結構較為復雜、非均質性強，氣水滲流過程復雜，井底流壓波動較大。

(4)煤層滲透性受應力變化影響較大。煤層孔隙壓力隨排水降壓過程的延續(xù)而下降，與外部圍巖應力產(chǎn)生的應力差增大，量化該過程無有效方法。

(5)煤層氣田多處于偏遠地區(qū)，地形復雜，交通不便，且分布面積廣，井數(shù)多，很難做到集中精細化控制。

將煤層氣排采控制技術發(fā)展歷程分為3 個階段：傳統(tǒng)排采工藝階段、自動化排采階段、基于機器學習的智慧排采階段。分別討論了傳統(tǒng)排采和自動化排采工藝的優(yōu)勢與不足，探討了機器學習算法在煤層氣排采控制中的發(fā)展趨勢及技術挑戰(zhàn)。

1 傳統(tǒng)排采工藝

傳統(tǒng)的排采方法以煤層氣井的增產(chǎn)技術為主要目標，如水力壓裂技術、水平井技術等，必須深入研究排采制度優(yōu)化、動態(tài)監(jiān)測、分析預測等，以實現(xiàn)煤層氣井生產(chǎn)目標［4］。

煤層氣井傳統(tǒng)排采制度中，地質技術人員首先進行動態(tài)分析，依據(jù)不同階段單井排水量、產(chǎn)氣量和井底流壓的關系，合理劃分每口井的排采階段，然后結合各階段產(chǎn)水產(chǎn)氣特征制定相應的排采制度。這就需要不定時地人工調(diào)整參數(shù)和手動控制設備。這種管理模式存在一定的局限性，不能實現(xiàn)自動化控制［5-6］。主要弊端為：(1)人工采集數(shù)據(jù)難度大，準確性差，周期長，很難做到精細化控制；(2)不能實時反映排采關鍵數(shù)據(jù)，無法保證排采設備平穩(wěn)、連續(xù)運行；(3)不能及時調(diào)整設備運行參數(shù)，有異常情況時不能及時維修；(4)人工成本高，工作效率低，勞動強度大；(5)多數(shù)井區(qū)交通不便，安全風險高。

綜上所述，在傳統(tǒng)排采控制階段，最大的難題是人工調(diào)參的局限性：周期長、調(diào)節(jié)不及時、準確性差、勞動強度大、安全風險高等。因此需要開展盡可能降低人工干預程度的自動化排采控制技術研究［7］。

2 自動化排采工藝

2.1 研究和應用現(xiàn)狀

煤層氣井自動化排采有利于管理部門及時掌握煤層氣井的各項工作狀態(tài)，有效縮短故障處理時間和減少人工巡井的次數(shù)，提高煤層氣生產(chǎn)現(xiàn)場管理水平，從而實現(xiàn)煤層氣生產(chǎn)管理的信息化、精準化、穩(wěn)定化和自動化。

自動化排采控制技術以控制井底流壓為核心，結合煤層氣田的儲層特性和地質情況，根據(jù)氣井的產(chǎn)氣產(chǎn)水規(guī)律和井底流壓變化規(guī)律，人工預先設置井底流壓的變化速度，監(jiān)測系統(tǒng)采集井底流壓變化情況，控制器自動計算并通過控制變頻器調(diào)整抽油機沖次、電機轉速等，可實現(xiàn)煤層氣生產(chǎn)過程長期、連續(xù)、精準控制，以實現(xiàn)自動化排采［8］。

1987年，美國Burlington 公司研發(fā)了世界第1套煤層氣自動化開采系統(tǒng)，并成功應用于圣胡安盆地。系統(tǒng)由計算機監(jiān)控裝置、遙控裝置、中繼線系統(tǒng)等部分組成，可實現(xiàn)煤層氣現(xiàn)場的通迅、遙控、數(shù)據(jù)采集、計算和報警等功能，大大提高生產(chǎn)效率［9-10］。

國內(nèi)石惠寧等［5］基于自動化控制原理，研發(fā)了以變頻閉環(huán)控制技術為主的智能控制技術，實現(xiàn)對井底流壓和排采制度智能控制；秦義等［11］基于“五段三壓法”排采認識和策略，開發(fā)了專門的智能控制軟件及對應設備，實現(xiàn)了井底流壓的智能控制，現(xiàn)場應用效果良好；白利君［12］將一種適應于煤層氣井的專用排采機應用于山西鄭莊地區(qū)煤層氣井，根據(jù)管理者的意愿，實現(xiàn)多項參數(shù)的自動采集記錄儲存，并自動生成最優(yōu)工作制度；陳秀萍等［13］基于“雙環(huán)三控法”控制認識和策略，采用適用于煤層氣井的地面變頻控制設備，實現(xiàn)了煤層氣井從降液、解吸至產(chǎn)氣等不同階段的自動化排采控制。

2.2 現(xiàn)階自動化排采工藝的不足

現(xiàn)階段的自動化排采工藝需要根據(jù)人工事先設定的參數(shù)(如動液面下降速度、井底流壓變化范圍等)，設備自動調(diào)整抽油機沖次。無法根據(jù)現(xiàn)場的實際情況進行快速反應。

解決上述問題時，綜合煤層地質因素、井筒工程因素、地面集輸因素后，進行產(chǎn)能預測，制定未來排采控制制度的優(yōu)化方案。

傳統(tǒng)的產(chǎn)能預測方法有數(shù)學建模、軟件建模、歷史產(chǎn)氣產(chǎn)水量分析等［3］。一些學者將預測煤層氣產(chǎn)能的研究角度從動態(tài)生產(chǎn)的模型分析轉移到歷史排采井數(shù)據(jù)挖掘的機器學習方法上：通過對歷史煤層氣井的地質、工程、排采、集輸大數(shù)據(jù)機器學習和挖掘，擬合出一套具有自適應煤層氣井的智慧排采決策系統(tǒng)，實現(xiàn)一井一制度智慧排采。

3 基于機器學習的智慧排采工藝

機器學習算法可以根據(jù)實際情況自動優(yōu)化排采策略，大大減少人工分析的過程，實現(xiàn)排采制度的快速決策和優(yōu)化。

機器學習是從經(jīng)驗數(shù)據(jù)中學習數(shù)據(jù)表象背后的復雜關系和模式，并對此進行研究，以幫助機器自動決策，是一個跨領域的學科，與數(shù)據(jù)挖掘、人工智能、數(shù)理統(tǒng)計和計算機等學科都有密切聯(lián)系。

目前，機器智慧學習算法在煤層氣領域應用還處于萌發(fā)的起步階段，常見的有神經(jīng)網(wǎng)絡技術、支持向量機技術及支持向量回歸機技術等［14］。

神經(jīng)網(wǎng)絡是一種模擬動物神經(jīng)行為特征的數(shù)學模型，基于對信息的分布儲存和并行處理，具有自學習功能。神經(jīng)網(wǎng)絡根據(jù)系統(tǒng)的復雜程度，通過調(diào)整大量內(nèi)部節(jié)點之間的互聯(lián)方式，達到信息處理的目的；通過分析歷史數(shù)據(jù)進行自學習，對控制參數(shù)進行調(diào)整，以達到最佳控制效果。

當抽采管路中的氣體濃度發(fā)生動態(tài)變化時，通過邏輯可編程控制器來調(diào)整閥門開度，調(diào)整煤層氣流量，可實現(xiàn)煤層氣地面抽采的智慧控制［15］?；谏窠?jīng)元人工網(wǎng)絡智能控制理論和智能動態(tài)專家?guī)旒夹g，自動排采控制方法可自動優(yōu)化系統(tǒng)的各參數(shù)值，實現(xiàn)煤層氣井均衡、穩(wěn)定、精確排采［16］。潘莊CM1 井應用了基于時間序列預測思想的BP 神經(jīng)網(wǎng)絡模型進行實際產(chǎn)能預測，結果表明：該模型能準確預測煤層氣井未來30 d 的產(chǎn)量變化情況，為煤層氣井排采制度的制定和調(diào)整提供依據(jù)［17］。

神經(jīng)網(wǎng)絡技術還被應用于煤層氣井開采模型中，用于優(yōu)化通風，建立有監(jiān)督的神經(jīng)網(wǎng)絡長壁礦井通風的瓦斯排量預測模型［18］。C.?.Karacan［19］利用智能優(yōu)化控制方法進行了煤礦長壁工作面采空區(qū)的瓦斯通氣孔排采性能預測。

支持向量機(SVM)是根據(jù)已有數(shù)據(jù)建立一種函數(shù)關系的映射，通過最大化分隔超平面與數(shù)據(jù)之間距離的方式來最小化泛化誤差的上界，以此獲得相應的解。20 世紀 90年代，V.Vapnik［20］首次提出支持向量機的通用學習方法，現(xiàn)已廣泛應用于各領域。一般對小樣本學習而言，支持向量機的預測準確率要高于神經(jīng)網(wǎng)絡法［20-25］。煤層氣排采不同產(chǎn)層的水源來源識別中引入支持向量機的分析方法，通過建立二叉樹結構的支持向量機模型，識別煤層氣井的產(chǎn)出水源，計算準確率高于80%［21］。

故障診斷方面，建立單井故障診斷模型，將支持向量機與模糊聚類算法相結合，并利用粒子群算法對模型參數(shù)進行優(yōu)化，用于煤層氣井具有良好的故障診斷效果和自學習能力［22］?；谀：椭С窒蛄繖C故障診斷模型還可預先處理并確定訓練樣本數(shù)據(jù)的模糊隸屬度，實現(xiàn)故障類型的有效診斷［23］。

在產(chǎn)能預測方面，支持向量機技術擁有在非線性預測領域的優(yōu)勢，將改進的混合粒子群優(yōu)化算法和支持向量回歸機等技術應用于煤層氣井的產(chǎn)能預測中，在沁水盆地南部樊莊區(qū)塊的近20 口井進行了產(chǎn)能預測應用［14］。依據(jù)智能計算方法，基于貝葉斯證據(jù)框架和混沌時間序列的最小二乘支持向量機(LS-SVM)的煤層氣產(chǎn)能預測模型在產(chǎn)能預測方面優(yōu)于BP 神經(jīng)網(wǎng)絡和SVM 預測方法［3］。

顏愛華［24］基于支持向量機理論的瓦斯含量預測模型，利用工具箱結合現(xiàn)場實測數(shù)據(jù)對模型進行了求解預測，并對比神經(jīng)網(wǎng)絡預測模型、多元線性回歸預測模型，發(fā)現(xiàn)支持向量機理論模型的預測結果與現(xiàn)場實測值的誤差最小。

此外基于支持向量機的井底流壓預測模型可以用于預測煤層氣井的井底流壓變化趨勢，具有良好的預測和分析效果［25］。

綜上所述，目前神經(jīng)網(wǎng)絡主要在排采控制、產(chǎn)能預測方面已展開研究。支持向量機技術則主要應用于產(chǎn)能預測和故障診斷、水位檢測等其他方面，在智慧排采控制方面研究較少。隨著人工智能和大數(shù)據(jù)時代的到來，機器學習算法在煤層氣排采中初步取得了一定的成果，但還處于起步階段。

4 智慧排采技術發(fā)展方向及面臨的挑戰(zhàn)

煤層氣排采控制技術未來的發(fā)展方向是充分利用機器學習算法和人工智能技術，形成智慧排采決策系統(tǒng)，為煤層氣井實現(xiàn)智能化和數(shù)字化氣田管理、提高勞動生產(chǎn)率、節(jié)能降耗提供有力的保障，并且為未來煤層氣舉升裝備的發(fā)展提供新的發(fā)展方向。與此同時，嵌入機器學習算法的智慧排采技術在煤層氣領域的推廣也會面臨許多挑戰(zhàn)：一是在數(shù)據(jù)庫建設方面，機器學習算法需要大量的訓練樣本，樣本數(shù)量越多，算法程序自動分析出來的規(guī)律越準確。這里的樣本指的是煤層氣井的生產(chǎn)數(shù)據(jù)，需要建立一個有足夠樣本的數(shù)據(jù)庫平臺，以便對未來新井的開采提供數(shù)據(jù)支撐；二是需要進一步完善監(jiān)測技術，氣體在煤層中的流動是一個極其復雜的動態(tài)過程，影響產(chǎn)量的因素很多，現(xiàn)有的監(jiān)測技術大多關注井底流壓、套壓、動液面、產(chǎn)氣、產(chǎn)水、沖次、沖程等基本參數(shù)，且記錄周期較長，不利于進行動態(tài)分析，因此需要對更多生產(chǎn)參數(shù)(儲層壓力分布、卸壓面積、解吸面積等)進行監(jiān)測，并且建立動態(tài)連續(xù)的數(shù)據(jù)采集系統(tǒng)；三是需要挖掘產(chǎn)量與各生產(chǎn)參數(shù)之間的內(nèi)涵關系，由于煤層氣的解吸-擴散-滲流過程的復雜性，數(shù)據(jù)之間的關系大多表現(xiàn)為非線性，要挖掘其中的內(nèi)涵關系，必須結合統(tǒng)計學、力學、地質學、熱學等多各學科進行綜合分析。

5 結論

(1)應用機器學習算法的智慧排采工藝替代傳統(tǒng)排采工藝和自動化排采工藝，是煤層氣排采控制工藝的必然發(fā)展方向和結果。

(2)對自動化排采技術跨領域引入機器學習算法，形成煤層氣智慧排采控制決策系統(tǒng)，預先進行煤層氣產(chǎn)能預測，無需人為干預，智慧實時調(diào)整排采參數(shù)，實現(xiàn)煤層氣產(chǎn)能的最大化。

(3)目前機器學習算法在煤層氣領域的應用還處于起步階段，同時也面臨著許多挑戰(zhàn)。未來隨著智慧排采系統(tǒng)的完善，它不僅可以應用在排采控制階段，同樣在地質、工程、集輸?shù)确矫嬉灿辛己玫难芯亢蛻们熬啊?/p>