文摘

准确评价煤层气(CBM)内容起着重要的作用在识别和有效开发煤层气资源的开发有利区块,但仍有许多技术难题在陆上煤层气的勘探和开发领域。地球物理测井技术的发展和应用,利用地球物理测井资料预测煤层气储层的气体含量已经被证明是一种有效和可行的解决方案。然而,复杂的煤层气储层的测井响应很难描述气体含量之间的关系和测井曲线响应通过一个简单的线性关系。摘要内核极端学习机(凯尔姆经常),机器学习方法,结合地球物理测井资料预测煤层气井气含量的垂直变化曲线。摘要实验室煤岩瓦斯数据内容从12煤层气井在南部Shizhuang块被选中,和煤层气含量预测模型基于凯尔姆经常构造方法通过选择测井曲线,结合交叉验证和grid-seeking确定hyperparameters,和验证预测模型使用测试数据集和一个新的在同一个街区。模型在测试集上的应用是非凡的,和煤层气的垂直变化内容应用到新井获得的是与实验结果一致,证明了模型的正确性和普遍性。本文的结果表明,CBM内容基于凯尔姆经常评价模型方法和地球物理测井资料适用于3^#煤层在目标块,可以用来预测煤层气井的垂直煤层气含量;与极端学习机(ELM)法和反向传播神经网络(摘要)方法,凯尔姆经常方法需要较少的hyperparameters探索构建煤层气含量评价模型时,和模型施工简单,具有较高的预测精度。同时,煤层气含量模型由凯尔姆经常构造方法不同对不同块,煤层在不同深度,不同的地球物理测井响应范围。煤层气的建设内容使用凯尔姆经常预测模型方法和测井曲线是描述煤层气资源的有效手段,施工过程模型和评价标准研究可以用来帮助其他区块评价煤层气含量,为进一步勘探和开发提供指导煤层气领域的实际应用。

1。介绍

煤层气的勘探和开发(CBM)资源都被国际广泛认可的能力减少煤矿的安全风险,减少温室效应,并研究在一些国家已开展煤层气勘探和开发(1- - - - - -4]。中国有丰富的煤层气资源,鄂尔多斯和沁水盆地已经在商业开发阶段(5,6]。煤层气资源的评估是煤层气勘探和开发的一个重要组成部分,已成为一个热点话题的研究由于其资源评估的不确定性7]。煤层气资源受到几个因素的影响,包括埋深、厚度、和天然气煤层气储层的内容(8- - - - - -10]。煤层气含量的准确评价具有重要意义在确定有利的勘探区块和制定生产和发展计划。

作为非常规油气资源,煤层气是更复杂的比其他水库由于其存储和渗流机制(11]。煤层气储层的瓦斯含量与煤阶变质程度等地质因素,温度,压力,有效的埋藏深度、厚度、构造特征和水文地质特性(12- - - - - -15]。提出了许多方法在国际上的评价煤层的瓦斯含量。在早期,金(16结合煤炭质量分析与储层压力和温度对吸附气体含量计算,提出了一种改进的形式;艾哈迈德et al。17和霍金斯等。18)建立了等温吸附模型和朗缪尔煤阶方程的计算方法,分别执行瓦斯含量预测。这些技术,创建使用实验数据,可以评估的钻孔取芯,但他们不切实际的申请煤层气井没有取心样品和无效在确定煤层气含量的垂直趋势。随后,地球物理测井资料已广泛应用于煤层气含量预测研究(19,20.]。地球物理测井技术是具有成本效益和可靠的,和高垂直测井资料的连续性使得高分辨率的表征地下垂直钻孔的物理属性(21]。地球物理测井资料可以用来有效地评估单一井煤层气含量的垂直分布,可以扩展到井取心实验,具有十分重要的现实意义。

目前,更多的学者利用地球物理测井资料评价煤层气的内容。邵et al。22)使用日志体积模型评价煤层气的内容,和金等。23)使用背景值方法计算煤层气储层的气体含量,均取得了一定的结果,但在这两种方法参数的选择对结果影响很大,这些方法的概括很穷,只能用于单井或单层评价。随后,周和关24]利用地球物理测井资料和核心工业部分构建评价模型,并提出了一个工业fraction-based煤层气储层气体含量方法,证明是可行的,但当评估气体含量通过中间参数,参数之间的关系并不是简单的线性,,很难考虑替换错误。因此,现在更常见的实验室与煤岩瓦斯含量与地球物理测井资料,结合数学方法建立煤层气含量的预测模型。郭et al。25)基于灰色多元静态模型结合测井曲线,可连续、准确地评估整个煤层的瓦斯含量曲线。梁和元26]利用地球物理测井资料建立多元回归方程预测瓦斯含量和使用它作为天然气的基础内容预测相应的块,结果与地质条件;黄等。27)结合多元线性回归方法和沁水盆地的朗缪尔方程建立煤层气含量评价模型,结果高度精确和有效的。当线性关系很难描述煤层气内容和测井曲线之间的关系,利用机器学习等方法的预测成为可能(28,29日],它有很强的非线性逼近能力和神经网络方法为主,已被许多学者研究,在特征参数和目标参数是通过训练神经网络,形成一个网格模型,和普遍性的测试数据集测试来评估上述模型和方法的有效性。例如,煤层气被训练的内容和测井曲线数据反向传播神经网络(摘要)方法,这个方法后来验证其他块井,发现高度准确预测煤层气含量(30.,31日];等更多的算法支持向量机(SVM)方法(32,33)(RF)和随机森林方法(34]随后被引入煤层气含量预测。

虽然有很多方法来评估和预测煤层气含量,无可否认,煤层气储层的复杂性大,相应的煤层气储层测井响应也更复杂。尽管学者尝试使用神经网络方法,效果良好,并有很强的非线性逼近能力,在实际工业生产中,增加实验样本,评价模型也应该相应地更新。神经网络和极端学习机(ELM)方法是随机生成的初始权值,使模型具有一定程度的随机性,有许多hyperparameters,所构造的模型容易受到人类干扰。本文的创新是使用内核极端学习机(凯尔姆经常)方法结合地球物理测井数据构建一个模型预测煤层气的内容。凯尔姆经常方法使模型施工方法简单通过引入高斯径向基函数(RBF),用一个hyperparameter和快速建设、模型是可重复的,可以满足工业生产的需要更新模型由于实验样本的增加,如图所示从可用的文学和工作区域的数据。凯尔姆经常方法尚未应用到建设模型预测煤层气储层的气体含量。

基于以上想法,本文介绍了凯尔姆经常煤层气含量的评价和预测方法。凯尔姆经常方法用于构造一个煤层气含量预测模型通过确定曲线用于模型的构建和调查不同数据率的影响在模型的适用性。凯尔姆经常方法发现比摘要的方法更简单、更精确和榆树的方法。得出核限制基于地球物理测井资料是有效的学习者模型在预测煤层的瓦斯含量,可为后续发展提供有效的指导和实际应用。

2。地质概况和数据源

2.1。地质概况

南部Shizhuang块的高度探讨在中国煤层气区块。沁水盆地南部地区属于最南端的沁水复杂的斜,这是一种单斜结构整体。沁水盆地经历了多个阶段的构造运动35),块有一个东西分区构造模式,与整个西北高东南低的构造格局。上石炭系太原组(C3t)和较低的二叠系山西组(p₁)是主要的含矿层系统在该地区的3所示^#山西组煤层在该地区发展是目标煤层(36),也是本研究的目标煤层。3^#煤层有一个稳定的厚度分布,主要在4.0米到8.0米的范围,平均为6.0 m。煤岩高度成熟,最大镜质组反射率为2.5%到3.0%。在3^#目标块的煤层,煤层的煤结构可分为未变形的煤炭、碎裂煤、和颗粒煤,其中未变形的煤和碎裂煤主要(图1(一))。从macrocoal组件、半亮煤和半暗煤占主导地位,和暗煤最低(图的内容1 (b))。

根据收集到的核心煤炭样品的观察,碎裂煤主要表现为厘米级肿块、未变形的结构煤主要表现为长柱状和柱状,和一些未变形的构造煤是在很大程度上,连同厘米级的肿块。颗粒煤主要表现为粉,还有少量的厘米级的肿块。结合macrocoal组件的信息,未变形的煤和碎裂煤主要由明亮的煤,其次是镜煤。煤层的裂缝的关键因素是控制煤层气储层的渗透性和气体含量。至于裂缝发展,无法获得准确的裂缝发展因为颗粒煤的煤结构严重损坏。众所周知的裂缝描述未变形的煤和煤样的碎裂煤样品通常开发一组骨折或两个正交组骨折,裂缝密度很大的可变性;在一组骨折,裂缝密度可能范围从4到15骨折为每个5厘米,在两组骨折,主裂缝的密度可能从8到20为每个5厘米和14到20骨折骨折为每个5厘米在第二组。基于上述观点,裂缝发展的复杂性和各种煤结构还指出煤层气的模棱两可的内容。

2.2。数据源的煤层气含量

目标块,12煤层气井被选为研究钻孔。解吸实验进行核心煤炭样本获取煤层气含量的数据,而这些样品从井口范围从400到1000。作为一个例子,12套核心解吸样本3^#煤层A6所示。核心煤炭样本被送到实验室从核心监禁坦克,和测量时间,间隔时间,测量管的阅读,和气体的体积是记录,结合现场温度和空气压力校准。图2(一个)显示了12个样品的累积解吸曲线A6,校准,然后,残余瓦斯含量测定和气体含量决定,和失去了瓦斯含量计算如图2 (b)。

收集到的煤层气含量数据结合煤炭样品的体积来确定吸附气含量的比值,失去了气体含量,并测量残余瓦斯含量,如图3。12组煤的煤层气含量结果样本3^#煤层的A6如表所示1。

2.3。地球物理测井资料和实验数据的预处理

本文共有12个核心水井提取煤层气含量数据,数据预处理和日志数据进行匹配。地球物理测井数据从目标块参数井主要是八个地球物理日志,即自发电位日志(SP)、自然伽马测井(GR),井径测井(CAL)、补偿密度测井(穴)、声波时差测井(AC)、补偿中子测井(CNL)和双侧向电阻率(深侧向电阻率测井(LLD) /浅侧向电阻率测井(那))测井曲线,和一些漏洞包含冲洗带电阻率测井(RXO)系列曲线。预处理的步骤如下:(1)深度修正防止钻杆变形和拉伸的影响在钻井过程中样本深度(37](2)地球物理测井响应差异的比较密集层以上3^#煤层不同井和测井响应的标准化,以防止反应差异由于井下环境和工具之间的差异(3)扩张日志数据的修正。水库机械强度较差,如煤层、不同程度的扩张在钻探过程中,可以使日志数据异常的响应值

随着数据预处理工作,异常的样本必须检查和拒绝。例如,(1)对于不符合实验的样品,如样品已经解除,钻超过指定的时间,导致我们测试过的样品不正确,如失去了气体含量过载,(2)和noncoal水库样本在煤矸石部分,煤矸石泥岩、碳质泥岩,通常有一个明显的高GR值高穴值(如样本点在图64(一)作为一个例子),这些点有一个著名的交会图上的响应,也显示在图4 (b)。

图5显示了标准化系列孔隙度测井曲线的比较。的左坐标图对应于标准曲线(后缀_AS,意味着标准化后),和交流,窝,补偿中子测井曲线显示之前和之后的标准化。的可变性标准化样本的分布对原始样本不是过度,表明没有人类干预,显然高和低价值在原始样本由于环境和仪器是纠正。

在完成上述过程,共151组样本数据都是收获3^#煤层煤层气含量预测模型的研究为后续建设,具体值分布如图6煤的核心,气体样品来自南部Shizhuang块分布在4.55和26.13厘米³/ g,气体含量的范围主要在5到20厘米³/ g。

3所示。方法

3.1。极限学习机方法

2006年的榆树算法(38),这是一个单隐层前馈神经网络的新算法(图7),主要是为了提高反向传播算法训练复杂度和低效率和减少hyperparameters的类型。一般摘要等反向传播神经网络输入层到隐层,隐层输出层权值和阈值模型需要不断改变,以达到最好的结果;其梯度descent-based迭代法收敛缓慢(初始权值和阈值密切相关),容易陷入局部最优的陷阱。

虽然榆树可以获得最优输出权重随机权重从输入层到输出层和隐层神经元的阈值39),榆树算法是基于以下原则:

为一组训练样本,

在方程(1),是输入样本和特征的数量输出值的维度。一个榆树神经网络模型(样本)神经元在输入层,在输出层神经元,隐层神经元可以构造,这个模型可以表示为

在方程(2), 网络的输出和吗是输出矩阵的隐层神经网络。在实践中,隐层神经元的数目通常不设置太大, (38),当由最小二乘方法可以解决,解决方案是什么

在方程(3),是Moore-Penrose隐含层输出矩阵的广义逆 。正交投影法可以有效地用于计算。当是一个满秩矩阵, ,或是一个满秩矩阵, 。在此基础上,基于岭回归理论(40),黄等。41)认为,获得的解决方案具有更好的稳定性和泛化通过引入正则化因子 成或在计算榆树输出权重 。通过引入正则化因子,榆树的输出

3.2。内核极限学习机方法

基于极限学习机,黄等。41)也研究了基于极限学习机,名叫凯尔姆经常极端学习机(内核),以区别于一般的极端的学习机器。当隐层的激活函数是未知的,你可以选择使用核函数的映射关系,在这种情况下,内核凯尔姆经常矩阵被定义为

通过引入核函数,凯尔姆经常的输出

当使用凯尔姆经常时,不需要知道隐层的激活函数;相反,使用核函数的映射工具。内核函数的使用使得映射关系在无限维空间没有计算复杂度的“维灾难”。因为内核函数计算过程不需要知识的具体函数形式的示例数据映射从低到高维度,只有特定的内核函数形式计算的低维空间;本文中使用的核函数是高斯径向基(RBF)核函数的形式:

在方程(8),核函数参数,绘制如图8。

应该注意的是,当内核函数引入到极端的学习机器,隐层神经元的数量不需要人为给定,也不连接权值从输入层到隐层,隐层神经元的阈值的需要,和凯尔姆经常只需要选择合适的核函数。本文将使用凯尔姆经常为模型CBM建设内容,通过MATLAB软件编写和实现平台。

4所示。CBM内容模型的建设

摘要151组数据从12煤层气井用于凯尔姆经常的建设模型,并使用MATLAB软件进行训练、测试和验证流程凯尔姆经常模型。凯尔姆经常的工作流方法评价煤层气含量如图9和由四部分组成:数据标准化的偏好,数据分区,模型优化和模型验证。

4.1。地球物理测井曲线选择

通常,不同的地球物理测井响应通常代表岩石的物理性质的变化,和煤层气含量的变化从理论上可以以测井响应的变化。考虑构建模型的实用性,可用于所有井的测井曲线被选择和有效的埋藏深度转换得到的煤岩样品的高度结合与测井深度补充高度,交会图如图10出于演示。

日志系列描述岩性、煤本身的自然放射性较弱,煤的自然放射性取决于粘土矿物中煤炭、粘土矿物影响煤层气内容通过影响煤的吸附性能和粘土矿物的增加煤降低煤层气含量,而在煤层高粘土矿物的存在导致天然放射性物质的增加。越高自然伽马值煤层的测井曲线,煤层的有效孔隙空间越少,导致煤层气含量较低,这一趋势是见到了图10 ()。此外,本文正相关(图中提取(11日)基于粘土矿物含量,发现会议GR曲线与理论一致。此外,SP曲线和卡尔曲线用于岩性识别、SP曲线响应与泥浆滤液(图的性质10 (b)),井眼直径21.59厘米可以解释煤层的可怜的机械性能容易扩张(图10 (c)),这也是本文修正为扩张在预处理。

系列的日志描述孔隙度、密度值随着密度增加而增加密度测井响应值,与理论密度的增加相应减少孔隙度和煤层气(图的内容10 (d))。实验室之间的显著相关性被发现表观密度和风干基础灰(图11 (b))。相反,越密集的煤层,宽松,煤层气含量越高,和灰等无机矿物含量越高,孔隙和裂缝,这并不有利于甲烷储存和吸附,这解释了煤层气含量的趋势反应窝曲线(42]。高阶煤镜组的内容越高,就越容易骨折,骨折的煤结构会增加煤层气的吸附面积,这将增加煤层气含量,和声波时差测井响应敏感CBM内容,加上大骨折在煤岩的存在,这也将提高AC曲线响应(图10 (e));补偿中子测井曲线受煤岩骨架和天然气内容多个政党;在煤层的实际孔隙度储层通常是低,一般不到10%,但由于煤层是由碳、氢、氧和煤层气含有甲烷,导致高氢含量指数,补偿中子测井提供了一个虚假的幻想;后补偿,补偿中子测井响应在这个块(图与煤层气负相关内容10 (f))。

日志系列描述电阻率,电阻率是影响煤的变质程度,矿物含量和分布、煤结构,更多的因素(43除了煤层气含量。气体含量的变化趋势和电阻率是非常复杂的,更多的是基于数据从实际运作中提取统计的目的(44]。本文目标块的统计数据得出结论,电阻率变化模式之间的关系表示原始煤层的瓦斯含量和电阻率是协同作用的增长(数据10 (g)和10 (h))。

煤层的深度决定了煤化作用产生的气体是否可以保留。从理论上讲,随着煤层的深度增加,煤化作用的程度和油气生产的数量增加,和相应的煤层气含量应该相应地增加(45),但深度达到一定临界深度后,气体含量有不断增加的趋势消失由于地质和构造因素(37]。有效的埋藏深度目标块的煤层气含量有很大的影响。埋藏深度的3^#煤层浅,和目标的水井都位于海拔1000米,和煤样的核心深度都位于海平面以上,对应的有效的埋藏深度接近海平面,这意味着从井口的距离更远,如图10(我),气体含量丰富随着埋藏深度的增加。

除了使用交会图分析和反应原理、测井曲线和煤层气含量之间的关系也是定量分析和皮尔森指数线性相关 ,肯德尔秩相关系数 ,和斯皮尔曼等级相关系数被用来量化每个日志参数之间的相关性和气体含量的标准曲线的偏好。三个相关系数计算

在方程(9)- (11),每个日志记录参数,煤层气含量的实验值,每个样本对应的序列号,而是样本统计的总数,为151。统计对象的对数与一致的两个属性值之间的大小关系,测井曲线的平均值,煤层气含量的平均值。

本文各测井曲线的相关系数和煤层气含量绘制(图12)和相关的三个系数计算结果具有相同的趋势。与煤层气含量之间的相关性,五测井曲线,包括GR曲线,交流曲线,窝曲线,交流曲线和深度曲线,与煤层气含量最显著的相关性。两条测井曲线、补偿中子测井曲线,LLD曲线与煤层气含量稍弱的相关性。结合实际响应机制,两条测井曲线之间的相关性,SP曲线,卡尔曲线,CBM内容是最弱的。上述与前面分析的结果是一致的。

煤层气地球物理测井数据内容的反应通常不能由一个简单的线性方程,描述了交会图分析和定量计算的相关性。电阻率测井系列,LLD测井曲线被选中,是因为它描述原始地层的电阻率,即相比,接拍的系列,LLD入侵的影响。总之,六个曲线,交流,窝,补偿中子测井,GR,深度,和LLD,将用于构建煤层气含量,而logarithmization LLD曲线的建议。

4.2。核函数的搜索

凯尔姆经常方法被用来构建CBM内容模型通过优化核函数模型中,虽然不同数据规模的效应模型研究来确定最优数据规模。构建凯尔姆经常方法模型之前,由于收集的数据的值之间存在较大的差异从不同测井系列,以避免产生大影响预测精度和训练速度,内置mapminmax MATLAB的函数用于规范化输入日志数据的范围 ,分别。归一化方程

在方程(12),是标准化的测井资料,是原始日志数据,和的最小值和最大值的日志数据序列,分别。

地球物理测井响应值正常化后,收集到的气体含量数据首先分为训练数据集和测试数据集在不同的尺度上,引入和交叉验证的模型建设,以避免机会探索结果(46]。基本原理如下:分为训练数据集子集,每个子集作为测试数据,剩下的子集作为训练数据,重复次获得模型,使用均方误差作为模型评价方法,可以得到组的预测准确性,决赛 - - - - - -折交叉验证结果的平均值组的预测精度,如图13。摘要预处理数据设置在不同的比率,和数据率的训练数据集和测试数据集设置为5:5、6:4、7:3、8:2和9:1,分别;然后确定最优的核函数训练使用三倍交叉验证结合网格搜索和平均均方误差(MSE)计算的交叉验证作为评价指标完成核函数的选择,最后,参数模型应用于训练和测试数据集。图14显示内核函数的优化过程在每个数据率,本文的步长为0.1,并结合实际的计算结果,这表明在不同数据率,与核函数的值的增加,交叉验证分数下降迅速,然后逐渐增加,而核函数最小值对应的平均均方误差是由计算作为最优核函数值。当训练集数据的比例超过70%,可能会有下降的正确性随机排序测试数据集。表2显示搜索结果的价值和凯尔姆经常方法模型建设的影响结果由训练数据的大小比例的8:2 - 9:1从集合中提取的正确性测试数据集的影响。分析表1表明,训练精度相对较低,当训练数据的比例很小,因为整个样本空间,较小的数据样本限制凯尔姆经常的广义的学习能力,和错误不断减少训练数据的比例增加。当训练集数据的比例超过70%,有可能训练和测试数据集之间的相对误差差距将会增加。给出了两种解释这一现象:(i)的训练数据集太大而出现过度拟合,使得测试数据不准确,没有实际应用的模型;(2)也可能造成的测试数据集的数据被压缩在同一样本空间,更容易被放大的小样本数据的质量测试数据集被不断压缩,在测试数据集和数据在这个时候几乎覆盖了整个数据分布范围,和测试数据集的正确性不能有效描述模型的性能由于随机面元数据的机会。因此,为了有效地证明本文方法的有效性,训练数据比7:3是用于构造煤层气含量评价模型更有利于示范凯尔姆经常模型的性能。

当使用机器学习方法,比如凯尔姆经常方法在这篇文章中,有一定的局限性。类似于多元回归方法,数据的调整会影响整体网络结构,就像微小变化系数的多元回归方法。同样,数据量的变化也会对模型的影响。正如我们所知道的以前勘探的数据比例,越大的训练数据共享相同的样本空间,更全面地学习的模型,但它不利于测试的测试数据集。当训练数据的比例超过70%,模型稳定,核函数的值变得稳定。本文构建的模型是3只^#煤层在南部Shizhuang块,它不再是适用于不同的地质区域或者当含气性的来源数据差异很大,必须重建和预测模型与实际数据。同样,当瓦斯含量的预测开发井,测井曲线的异常影响数据的准确性正常化,从而应用效果,即。响应范围时,该模型不适用的日志太不同预处理后的核心井。

仍有改善的空间模型的准确性。hyperparametric搜索模式可以提高。本文使用一个稳定的网格搜索模式,但可以减少搜索步骤或增加优化搜索模式,但这也将花费更多的时间。以上是本文研究的下一步,和仍然是一个需要突破的陆上煤层气勘探的挑战。

5。结果与讨论

5.1。模型评价

基于部分的综合分析3.2,数据比率凯尔姆经常模型的训练和测试数据集确定为7:3,最优核函数为3.9。确定数据比例结合的最佳核函数训练数据集判断和测试数据集的测试,结果如图所示15。图(15日)显示了训练数据,back-judgment结果和图15 (b)显示应用程序的测试数据集的结果,平均相对误差为14.49%和15.99%,分别;训练数据集和测试数据集是均匀分布的两边的零点误差线,这意味着模型应用效果是公正的,拟合优度是0.83和0.82,分别表明本文模型构建的有效性。

图16研究显示A1在块,第一个跟踪日志深度跟踪;第二个跟踪反映岩性的测井系列,含有卡路里,GR, SP曲线;第三轨道的电阻率测井系列,包含LLD,前,和RXO曲线;第四跑道的孔隙度测井系列,包含窝,交流,和补偿中子测井曲线;第五个跟踪被预测结果追踪,包含气体含量曲线凯尔姆经常评估的方法和核心实验数据;和第六首是岩性解释。预测曲线在A1主要配合核心实验数据,并预测效果相对较弱的核心实验数据较低时,那时GR和窝日志的反应增加,对应于气体含量曲线下降趋势时,泥含量和孔隙度相应减少,虽然有一定的差异但确保一致性的值的变化趋势,为低价值不是主要发展区域块,和煤层的瓦斯含量曲线表明凯尔姆经常预测的方法,这也显示了3中模型的适用性^#煤层的目标块。

5.2。概括性评价和误差讨论

演示节5.1演示了模型的有效性和可靠性培训通过评估泛化的瓦斯含量预测模型评估一个新井在同一工作,没有参与的数据模型的训练和测试。煤层气含量曲线预测的CBM内容模型基于凯尔姆经常方法如图17。有七个核心样品解吸评价煤层气含量的3^#煤层的好,平均相对误差为27.39%。预测与实际结果之间的差异646.6太大,相对误差为87.79%。不考虑此示例,剩下的6个样品的平均相对误差为17.3%,误差是一致的水平测试数据集,表明凯尔姆经常建立模型是广义的3^#煤层的目标块。

模型应用分析了新井的采样点有大量错误,如第一个样本(646.6)从上到下,如图所示11,这是顶部的采样点3^#煤层。相应的GR和孔隙度测井系列响应值高的纯煤层部分相比,因此,预测本节中气体含量低。第二个样本(647.55)位于扩散点,结合系列电阻率测井响应,入侵已被观察到,甚至传播修正,引入了噪声,使得判断误差大。

探讨和解释了一代的错误:(1)场扰动在测井资料的采集的实际钻探(2)很难避免人为噪声在随后的日志数据的预处理,如地球物理测井资料的标准化响应井和扩张之间的调整,有利于后续的模型建设,但难以避免小的人为错误(3)煤层气的过程内容集合在实验室无法避免系统误差,它通常可以被接受。样品不符合实验数据预处理的规则将被拒绝。此外,这个系统误差可以改变不同实验条件下或者在有巨大差异的来源煤层气含量数据。当实验室标准不同,获得的实验数据的煤层气含量仍有一定的参考价值。应该注意的是,随着工业的发展,尤其是对失去了气体的测量内容、改进实验方法可能适用于煤层气含量的测量。在图3煤层气的构成内容已被证明。失去了气体含量的百分比很低,远低于吸附气含量的百分比。对实验的影响取决于改善错误失去了气体含量的样品测定。差值很大时,错误的预测煤层气含量也增加,是否仍然有效,实际项目取决于程度的增加误差。同样,在实际的工作,一些核心开发钻孔操作块后在生产更长一段时间。煤炭样本等钻孔通常产生低的结果当确定煤层气含量在实验室里,和这些数据并不丰富,不能用作补充数据参与建模和模型验证(4)在应用方面,随着凯尔姆经常需要数据归一化数据预处理方法,地球物理测井响应应重整时超过了训练样本的响应范围,这也表明,地球物理测井响应不能标准化的面对不同的横向传播块,形成的不同深度,不同地质背景,煤层气含量预测模型根据模型施工过程必须重建

点1到3描述的噪声干扰后很难被删除单独的重建,和输入数据的噪声可以无视,但噪声将被放大的输出结果。这噪音错误存在于煤层气含量计算使用本文的方法不能完全归因于凯尔姆经常预测能力的方法。煤层气含量的分析评估新的展示方法的普遍性,而错误的组合结果显示凯尔姆经常模型的有效性和可靠性。

5.3。比较的方法

节3.2,结果表明,凯尔姆经常方法是基于ELM方法和类似于摘要的方法。因此,本文比较了这三种方法,使用相同的比率(训练数据集:测试 )相同的数据集训练榆树模型和摘要模型,模型的三种方法应用于相同的测试数据集进行比较。它可以在图分析18一些样品的测试数据集(例如,样品6、7、9)对应于实验值较低的结果,和歧视的三种方法的一些样品,给正确的趋势,但也有错误,是显而易见的。分析了三种方法的预测结果与实验结果在交会图(图(19日));为气体的低价值的部分内容,一些外的三种方法的预测结果的误差线+ 15%,由于实验值很低,相对误差的定义,低实验值的相对误差较高,相对误差的主要来源是30%以上的三种方法(图19 (b))。为这种类型的实验值低,它不是一个“甜蜜点”部分,和一个准则可以当有一定的趋势与高气体含量的差异部分。此外,在测试数据集,样本数量37和38预测结果较低,这样的样本对应的交会图误差线外下降-15%;这样的点主要是受到的煤矸石部分煤层;虽然样品灰高收益率在煤矸石部分内容在初步数据拒绝,拒绝了煤矸石在接近样品也有影响;GR曲线和窝曲线值很高,使预测结果略低于实验结果;三种方法给一个一致的迹象表明这些错误可以人为歧视在实际应用程序中,和夹层的煤矸石部分的预测结果及其附近没有参与最后的统计数据。通过分析相对误差的累积频率图的三种方法19 (b)凯尔姆经常方法最样本时,相对误差在10%以内,和凯尔姆经常的最大相对误差的方法是低于其他两种方法,这就是为什么凯尔姆经常方法相对误差最低。表3显示了特定计算的平均相对误差,均方根误差(RMSE)和拟合优度( )对合并后的歧视。凯尔姆经常的分析表明,方法具有最低的平均相对误差,榆树第二,摘要平均相对误差最高,和相应的RMSE趋势是相同的,而对于拟合优度,凯尔姆经常是最高,榆树第二低,摘要最低。在三种方法中,凯尔姆经常是更合适;一方面,其准确性是优秀的;另一方面,凯尔姆经常只需要找到最优核函数在构建模型时,榆树和摘要方法相比,相对复杂,和榆树法和摘要法不稳定由于初始权重随机,所以凯尔姆经常方法具有应用优势的准确性和易于操作。应该注意的是,榆树法和摘要的方法并不能保证充分表现模型由于大量hyperparameters的建设。同样,在实际生产应用中,榆树法和BP神经网络方法更麻烦更新模型随着实验室数量的气体煤炭样本研究中块的内容增加,和凯尔姆经常方法的优点的简单模型建设和少hyperparameters将更加明显。

5.4。应用和前景

通过评价煤层气井在南部Shizhuang块内容,煤层气含量等值线图绘制在图20(一个),对应的平均有效的天然气日产量等值线图对应的块图20 (b)。图中的两个情节20.表现出一定的相关性,和高天然气生产区域往往对应于高含气面积,可以表明,准确的煤层气含量预测可以提供后续的建设和发展提供指导。然而,煤层气井气的垂直变化内容是复杂的,和二维等高线图平均后信息丢失。煤层气井在图20.煤层气生产数据为例,稳定长期排水和输出选择,平均每日生产的煤层气的有效生产期间计算和绘制交会图的煤层气含量相应的井,如图21。它可以从图分析21煤层气含量水平可以反映了平均有效日常天然气生产,特别是每天平均有效气体的生产井煤层气含量较低水平也低,但通过线性拟合两只有0.5,这也表明,煤层气井的天然气产量是受到各种因素的影响,包括断裂改造和建设等人为因素(47]。陆上煤层气的勘探和开发需要更深入地探索,和本文的内容提供了一种新的方式来预测煤层气的内容,为后续的勘探和开发提供指导和良好的区域块的识别。

6。结论

针对气体含量评价煤层气储层的难度,垂直煤层气含量的方法预测基于凯尔姆经常提出方法结合地球物理测井资料。本研究的结论如下:(1)煤层气含量评价模型基于凯尔姆经常方法和地球物理测井资料建立了3^#煤层在沁水盆地南部Shizhuang块作为一个例子,并验证模型的有效性和泛化使用测试数据集和新井,证明模型的适用性在目标块的形成。凯尔姆经常方法,榆树方法,和摘要方法由同一组数据进行比较。凯尔姆经常方法的预测效果,减少人为因素干扰的模型建设,和模型稳定性高,实际使用中更有利(2)凯尔姆经常使用方法也有其局限性,受到影响的数据变化,在准确性、改进的余地,可以改善通过引入模块,结合hyperparameter未来的搜索方法

本文的研究内容提供了一组模型的施工过程和评价煤层气含量,标准和构造模型不能直接应用于其他街区。对不同煤层和不同的地质块,煤层气含量必须构造评价模型根据实际获得的核心数据与流程步骤。

命名法

CBM:	煤层气
凯尔姆经常:	内核极端学习机
榆树:	极端的学习机器
摘要:	反向传播神经网络
RBF:	高斯径向基函数
Vg:	煤层气含量
交流:	声波时差测井
窝:	补偿密度测井
补偿中子测井:	补偿中子测井
卡尔:	井径测井
SP:	自发的潜在的日志
格:	自然伽马测井
博士研究生:	深侧向电阻率测井
接拍	浅侧向电阻率测井
RXO:	冲洗带电阻率测井
均方误差:	均方误差
RMSE:	均方根误差
:	拟合优度。

数据可用性

原始数据用来支持本研究的发现正在禁运而研究成果商业化。请求数据,3个月后发表这篇文章中,将会被相应的作者。数据请求可以通过联系相应的作者,可以提供适当的要求。

的利益冲突

作者宣称没有利益冲突。

确认

作者希望表达他们的感谢中海油研究院。同时,我们真诚地感谢孟Mianmo教授和王Qianyou教授。这项工作是在沁水盆地南部Shizhuang块和经济上由重点实验室开放基金的石油和天然气资源的勘探技术,教育部(K2021-03号和K2021-08),中国国家自然科学基金(42106213),和中国海南省自然科学基金(421号qn281)。