煤層氣井排采的神經網絡論文范文

本站小編為你精心準備了煤層氣井排采的神經網絡論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1CM1煤層氣井地質背景

研究區潘莊區塊位于沁水盆地南部向西北傾的斜坡帶上，構造主要以褶皺為主，斷層稀少．山西組的3號煤層是本區內穩定發育的主采煤層，也是CM1煤層氣井的目標煤層．該煤層屬于厚煤層，厚度變化范圍3．15～7．30m，平均6．11m．埋深介于156．27～695．20m之間．頂板巖性主要為泥巖、粉砂巖、粉砂質泥巖，底板主要為粉砂巖和泥巖．

2BP神經網絡簡介

2．1BP神經網絡結構BP神經網絡結構由輸入層、隱含層和輸出層組成，其中隱含層可以有多層．在工程預測中，經常使用的是3層BP神經網絡結構（圖2）．這種神經網絡結構的特點是：每一層內的神經元之間無任何連接，相鄰層神經元之間具有單向連接，隱含層的激勵函數采用非線性的S型函數，輸出層的激勵函數為線性函數．

2．2BP算法原理BP算法是一種監督式的學習算法．其主要思想為：對于n個輸入學習樣本：P1，P2，…，Pn，已知與其對應的輸出樣本為：T1，T2，…，Tn，學習的目的是用網絡的實際輸出A1，A2，…，An與目標矢量T1，T2，…，Tn之間的誤差來修改其權值，使Al（l＝1，2，…，n）與期望的Tl盡可能地接近，使網絡輸出層的誤差平方和達到最小．它是通過連續不斷地在相對誤差函數斜率下降的方向上計算網絡權值和偏差的變化而逐漸逼近目標的．每一次權值和偏差的變化都與網絡誤差的影響成正比，并以反向傳播的方式傳遞到每一層。BP神經網絡時間序列預測模型，即先利用BP神經網絡的非線性逼近技術隱性的求解函數f，并以此為依據預測未來值．

3神經網絡模型構建及檢驗

為了精確預測煤層氣井產能、優化排采制度，本文基于時間序列預測思想構建了BP神經網絡預測模型，整個設計過程由MATLAB7．11軟件編程實現．

3．1神經網絡基本參數確定在實際生產中，煤層氣井產氣量主要受控于產水量和井底流壓，而且這兩個參數數據資料豐富，易于收集．因此，以每天產水量和井底流壓為基礎向量，基于時間序列預測思想構建了14個網絡輸入向量（表1）．神經網絡預測模型初步設定為一個14－X－7的3層BP網絡．其中輸入層節點數為14，對應14個輸入向量；X為隱含層節點數，由經驗公式［12］可得出其取值范圍為6～15；輸出層節點數為7，對應輸出向量分別為未來7d中每天的產氣量；初始權值為（－1，1）之間的隨機數，初始學習率為0．1；隱含層激勵函數為雙曲正切函數，輸出層激勵函數為pureline函數，訓練函數為trainlm函數．

3．2神經網絡模型的構建選取CM1井2009年2月14日至2009年9月8日連續207d的排采數據為原始樣本數據．其中，前200d的排采數據為訓練樣本，后7d的排采數據為檢驗樣本．網絡訓練目標誤差設定為0．0002，最大迭代次數設定為500次．將原始數據歸一化后輸入到網絡中進行訓練，隱含層最佳節點數采用試湊法確定為13（表2）．因此，BP神經網絡預測模型的最佳網絡結構為14－13－7（圖4）．

3．3網絡模型訓練及檢驗再次輸入訓練樣本對確定的網絡結構進行訓練，當網絡達到目標誤差或最大迭代次數時，停止訓練．網絡訓練完畢后，將檢驗樣本輸入到網絡中，進行模型性能檢驗。檢驗樣本最大絕對誤差72m3／d，最小絕對誤差17m3／d，相對誤差范圍－1．43％～1．60％，平均相對誤差1．05％，表明網絡模型預測性能良好，能夠準確預測CM1煤層氣井未來7d的產氣量．

4CM1井排采制度優化

在煤層氣井排采實踐中，根據未來產氣量變化或生產需要，何時應該增大或減少產水量，何時應該增大或減少井底流壓，調控的具體量度應該是多少，這些問題至今都沒有明確的結論．因此，本文針對所有可能出現的生產情況，設計了24種排采制度調整方案。針對CM1井實際排采情況，厘定了產水量、井底流壓調控量度及產氣量變化量臨界值．其中，調控產水量小幅增大（減小）與大幅增大（減小）臨界值定為0．2m3／d；調控井底流壓小幅增大（減小）和大幅增大（減小）臨界值定為0．1MPa；產氣量變化量小幅增大（減小）和大幅增大（減小）臨界值定為1000m3／d．而在實際操作中，選取產水量小幅增大（減小）的值為0．05m3／d，產水量大幅增大（減小）的值為0．5m3／d，井底流壓小幅增大（減小）的值為0．05MPa，井底流壓大幅增大（減小）的值為0．2MPa．采用所建立的BP神經網絡預測模型對各方案產氣量進行了模擬，以第21種調整方案“產水量小幅增大—井底流壓小幅減小”的模擬結果為例（表5），其它方案模擬結果見表6．在第21種排采制度方案中，當產水量小幅增大0．05m3／d，井底流壓小幅減小0．05MPa，預測產氣量比實際產氣量平均增大了537m3／d，比前一周產氣量平均增大了469m3／d．顯而易見，當決策者希望煤層氣井未來日產氣量能夠增大500m3／d左右時，可執行產水量提高0．05m3／d，井底流壓減小0．05MPa的排采制度．綜上所述，煤層氣井采取不同的排采制度，產氣量變化決然不同，總體可分為四大類，即產氣量大幅減小、小幅減小、小幅增大和大幅增大（表6）．其中，使產氣量大幅減小的排采制度方案有5種，小幅減小的有7種，小幅增大的7種，大幅增大的5種．這樣就可以根據各調整方案預測結果，結合實際生產的需要，采用不同的排采制度，使煤層氣井產氣量朝著我們預期的方向發展．例如，如果期望未來7d產氣量大幅增大，可以采用“產水量不變—井底流壓大幅減小”、“產水量大幅增大—井底流壓大幅減小”、“產水量小幅增大—井底流壓大幅減小”等排采制度。

5結論

1）神經網絡具有很強的非線性映射能力和預測能力，將其運用于煤層氣井產能實時預測是完全可行的，而且能夠依據產氣量預測結果，定量化地分析排采制度對產能的影響，進一步優化煤層氣井排采制度，指導現場生產．2）依據CM1煤層氣井生產資料，基于時間序列思想設計了14個神經網絡輸入向量，構建了網絡結構為14－13－7的BP神經網絡煤層氣井產能預測模型．該模型能夠較準確地預測未來7d的產氣量，預測最大絕對誤差72m3／d，最小絕對誤差17m3／d，相對誤差范圍－1．43％～1．60％，平均相對誤差1．05％，效果良好．3）針對煤層氣井排采過程中所有可能出現的問題，設計了24種排采制度調整方案，以產水量、井底流壓調控量度臨界值和產氣量變化量臨界值為基礎，利用所建立的BP神經網絡模型對所有調整方案進行了模擬．其中，使產氣量大幅減小的排采制度調整方案有5種，小幅減小的有7種，小幅增大的有7種，大幅增大的有5種．可以根據生產需要，采用不同的排采制度，使煤層氣井產能朝著預期方向發展。

作者：吳財芳姚帥杜嚴飛單位：中國礦業大學資源與地球科學學院中國礦業大學煤層氣資源與成藏過程教育部重點實驗室