煤层气井排采的神经网络论文范文

本站小编为你精心准备了煤层气井排采的神经网络论文参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1CM1煤层气井地质背景

研究区潘庄区块位于沁水盆地南部向西北倾的斜坡带上，构造主要以褶皱为主，断层稀少．山西组的3号煤层是本区内稳定发育的主采煤层，也是CM1煤层气井的目标煤层．该煤层属于厚煤层，厚度变化范围3．15～7．30m，平均6．11m．埋深介于156．27～695．20m之间．顶板岩性主要为泥岩、粉砂岩、粉砂质泥岩，底板主要为粉砂岩和泥岩．

2BP神经网络简介

2．1BP神经网络结构BP神经网络结构由输入层、隐含层和输出层组成，其中隐含层可以有多层．在工程预测中，经常使用的是3层BP神经网络结构（图2）．这种神经网络结构的特点是：每一层内的神经元之间无任何连接，相邻层神经元之间具有单向连接，隐含层的激励函数采用非线性的S型函数，输出层的激励函数为线性函数．

2．2BP算法原理BP算法是一种监督式的学习算法．其主要思想为：对于n个输入学习样本：P1，P2，…，Pn，已知与其对应的输出样本为：T1，T2，…，Tn，学习的目的是用网络的实际输出A1，A2，…，An与目标矢量T1，T2，…，Tn之间的误差来修改其权值，使Al（l＝1，2，…，n）与期望的Tl尽可能地接近，使网络输出层的误差平方和达到最小．它是通过连续不断地在相对误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的．每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层。BP神经网络时间序列预测模型，即先利用BP神经网络的非线性逼近技术隐性的求解函数f，并以此为依据预测未来值．

3神经网络模型构建及检验

为了精确预测煤层气井产能、优化排采制度，本文基于时间序列预测思想构建了BP神经网络预测模型，整个设计过程由MATLAB7．11软件编程实现．

3．1神经网络基本参数确定在实际生产中，煤层气井产气量主要受控于产水量和井底流压，而且这两个参数数据资料丰富，易于收集．因此，以每天产水量和井底流压为基础向量，基于时间序列预测思想构建了14个网络输入向量（表1）．神经网络预测模型初步设定为一个14－X－7的3层BP网络．其中输入层节点数为14，对应14个输入向量；X为隐含层节点数，由经验公式［12］可得出其取值范围为6～15；输出层节点数为7，对应输出向量分别为未来7d中每天的产气量；初始权值为（－1，1）之间的随机数，初始学习率为0．1；隐含层激励函数为双曲正切函数，输出层激励函数为pureline函数，训练函数为trainlm函数．

3．2神经网络模型的构建选取CM1井2009年2月14日至2009年9月8日连续207d的排采数据为原始样本数据．其中，前200d的排采数据为训练样本，后7d的排采数据为检验样本．网络训练目标误差设定为0．0002，最大迭代次数设定为500次．将原始数据归一化后输入到网络中进行训练，隐含层最佳节点数采用试凑法确定为13（表2）．因此，BP神经网络预测模型的最佳网络结构为14－13－7（图4）．

3．3网络模型训练及检验再次输入训练样本对确定的网络结构进行训练，当网络达到目标误差或最大迭代次数时，停止训练．网络训练完毕后，将检验样本输入到网络中，进行模型性能检验。检验样本最大绝对误差72m3／d，最小绝对误差17m3／d，相对误差范围－1．43％～1．60％，平均相对误差1．05％，表明网络模型预测性能良好，能够准确预测CM1煤层气井未来7d的产气量．

4CM1井排采制度优化

在煤层气井排采实践中，根据未来产气量变化或生产需要，何时应该增大或减少产水量，何时应该增大或减少井底流压，调控的具体量度应该是多少，这些问题至今都没有明确的结论．因此，本文针对所有可能出现的生产情况，设计了24种排采制度调整方案。针对CM1井实际排采情况，厘定了产水量、井底流压调控量度及产气量变化量临界值．其中，调控产水量小幅增大（减小）与大幅增大（减小）临界值定为0．2m3／d；调控井底流压小幅增大（减小）和大幅增大（减小）临界值定为0．1MPa；产气量变化量小幅增大（减小）和大幅增大（减小）临界值定为1000m3／d．而在实际操作中，选取产水量小幅增大（减小）的值为0．05m3／d，产水量大幅增大（减小）的值为0．5m3／d，井底流压小幅增大（减小）的值为0．05MPa，井底流压大幅增大（减小）的值为0．2MPa．采用所建立的BP神经网络预测模型对各方案产气量进行了模拟，以第21种调整方案“产水量小幅增大—井底流压小幅减小”的模拟结果为例（表5），其它方案模拟结果见表6．在第21种排采制度方案中，当产水量小幅增大0．05m3／d，井底流压小幅减小0．05MPa，预测产气量比实际产气量平均增大了537m3／d，比前一周产气量平均增大了469m3／d．显而易见，当决策者希望煤层气井未来日产气量能够增大500m3／d左右时，可执行产水量提高0．05m3／d，井底流压减小0．05MPa的排采制度．综上所述，煤层气井采取不同的排采制度，产气量变化决然不同，总体可分为四大类，即产气量大幅减小、小幅减小、小幅增大和大幅增大（表6）．其中，使产气量大幅减小的排采制度方案有5种，小幅减小的有7种，小幅增大的7种，大幅增大的5种．这样就可以根据各调整方案预测结果，结合实际生产的需要，采用不同的排采制度，使煤层气井产气量朝着我们预期的方向发展．例如，如果期望未来7d产气量大幅增大，可以采用“产水量不变—井底流压大幅减小”、“产水量大幅增大—井底流压大幅减小”、“产水量小幅增大—井底流压大幅减小”等排采制度。

5结论

1）神经网络具有很强的非线性映射能力和预测能力，将其运用于煤层气井产能实时预测是完全可行的，而且能够依据产气量预测结果，定量化地分析排采制度对产能的影响，进一步优化煤层气井排采制度，指导现场生产．2）依据CM1煤层气井生产资料，基于时间序列思想设计了14个神经网络输入向量，构建了网络结构为14－13－7的BP神经网络煤层气井产能预测模型．该模型能够较准确地预测未来7d的产气量，预测最大绝对误差72m3／d，最小绝对误差17m3／d，相对误差范围－1．43％～1．60％，平均相对误差1．05％，效果良好．3）针对煤层气井排采过程中所有可能出现的问题，设计了24种排采制度调整方案，以产水量、井底流压调控量度临界值和产气量变化量临界值为基础，利用所建立的BP神经网络模型对所有调整方案进行了模拟．其中，使产气量大幅减小的排采制度调整方案有5种，小幅减小的有7种，小幅增大的有7种，大幅增大的有5种．可以根据生产需要，采用不同的排采制度，使煤层气井产能朝着预期方向发展。

作者：吴财芳姚帅杜严飞单位：中国矿业大学资源与地球科学学院中国矿业大学煤层气资源与成藏过程教育部重点实验室