基于多元线性逐步回归分析的bp神经网络的煤储层渗透率预测

基于多元线性逐步回归分析的bp神经网络的煤储层渗透率预测

0煤储层渗透率预测理论研究煤炭储存层的渗透是反映煤炭储存层中液体流动渗透困难的物理参数，决定了煤储存层的运移和产量。这是控制煤气田开采的主要储层参数之一。如何充分利用现有的资料对煤储层渗透性进行预测是一个有待解决的重要问题,很多学者对煤储层渗透性预测理论和方法作了大量的工作。这些方法可以在煤层气勘探早期为优选有利开发区提供一定的依据,但是不能满足煤层气后期开发的需要。影响煤储层渗透率的因素十分复杂。一般而言,煤层割理、裂缝等内在因素起着主导作用,但是在复杂的地质构造背景下,地应力和有效地应力、储层压力、埋深等外在因素对于煤储层渗透率的影响却很显著。为此,本文沁水煤层气田为例,在前人研究的基础上,结合工区的试井资料,多元线性逐步回归分析和非线性的BP神经网络两种方法,对煤储层渗透性进行预测分析,试图探索一种便捷而相对准确的煤储层渗透率预测方法。1煤储层渗透率区域差异的控制因素本次研究工区为沁水煤层气田,该区地层宽阔平缓,断层不发育。区内低缓平行的褶皱普遍发育,褶皱的面积和幅度都很小,呈长轴线形褶皱。导致煤储层渗透性在区域上分布差异的主控因素为:地应力和有效地应力、煤层埋深、储层压力等。结合工区的试井资料,分析如下。1.1响煤储层渗透率煤储层是对地应力十分敏感的天然储集层。地质作用在地层中产生原地应力,将煤层气储层的原地应力减去原始储层压力,即得到煤层的有效应力。煤储层是一种多孔物质,在地应力作用下,煤体将发生变形,使得流体流经的通道也发生相应的变形,从而影响煤储层的渗透率。Enever等人(1997)通过对澳大利亚煤层渗透率与有效应力的相关研究发现,煤层渗透率变化值与地应力的变化呈指数关系。连承波等人(2005)利用弹性力学原理,结合煤储层孔隙结构特征,推导出了地应力与煤储层渗透率之间的指数关系。本次对研究工区的试井地应力(煤储层注水压降测试中取得的闭合压力)和计算出的有效地应力(煤储层的原地应力减去原始储层压力,即得到煤层的有效应力)与煤储层实测渗透之间的关系进行了统计分析,其结果如图1和图2。从图中可见,煤储层渗透率随着地应力和有效地应力的增加而呈指数降低,说明工区地应力和有效地应力与煤储层渗透性具有较强的相关性。煤是一种多孔物质,在地应力作用下,煤体将发生变形,使得流体流经的通道也发生相应的变形从而影响煤储层的渗透率。1.2上覆地层与煤储层渗透率的关系煤储层的埋藏深度与地应力呈线性正相关关系,其对渗透率的影响表现为对煤储层的垂向作用力。地应力与埋深对渗透率的影响上本质区别表现在:地应力不仅反映了上覆地层对煤储层的垂向作用力,同时也与水平构造应力相关。储层压力都与其埋藏深度密切相关,两者呈线性正相关关系。原始储层压力对渗透率的影响,类似于埋藏深度与渗透率的关系,随着原始储层压力的增大,煤层渗透率有降低的趋势。研究工区的埋深和试井储层压力与煤储层实测渗透率的统计分析结果表明,煤储层的埋深和试井储层压力与煤储层渗透率具有较强的相关性,而且煤储层渗透率也具有随着埋深和储层压力增加而呈指数降低的趋势(图3,图4)。2储层压力的影响因素由试井资料分析可知,研究工区的煤储层渗透性与地应力、有效地应力、埋深和储层压力具有较强的相关性。基于这种相关性,本次采用多元线性逐步回归分析和非线性的BP神经网络两种方法,对煤储层渗透率进行定量预测分析。2.1逐步回归分析的轴向岩层渗透率定量预测2.1.1逐步回归分析在回归过程中,按变量xi(i=1,2,…,m)对y作用的大小,把作用达到一定程度的变量xr(1≤r≤m)逐个“引入”回归方程,同时还要逐个检验已引入回归方程的变量对y的影响,若xα(xα∈xr)对y作用已不显著,就再从回归方程中“剔除”它,如此进行下去,直到既没有对y作用显著的变量可引入回归方程,又没有作用不显著的变量从回归方程中“剔除”时为止。逐步回归分析可以挑选相关性较强的变量建立回归返方程。若共引入了L(L≤m)个变量,那么得到含有L个变量的回归方程其中,b0为常数项;bki(i=1,2,…,L)为引进的第i个变量的系数;xki(i=1,2,…,L)为引进的第i个变量。2.1.2煤储层渗透率模型根据多元线性逐步回归的原理和研究工区的实际情况,把地应力、有效地应力、埋深和储层压力定为自变量,对应的煤储层渗透率定为因变量。通过工区的已知的24组样本,建立的线性模型为其中,1x为煤层埋深;x2为储层压力;x3为地应力,y为煤储层渗透率。为了检验模型的有效性,利用建立的线性模型对10组待测的样本进行了预测,其结果如表1。2.2基于bp-b神经网络煤储层的渗透定量预测2.2.1bp神经网络算法人工神经网络是模仿人脑神经冲动传导原理而建立的数学模型,是由许多相互联系的相似处理单元——神经元有机连接而构成的一个非线性复杂网络。根据网络中神经元的连接方式的不同,可将人工神经网络分为分层网络和相互联接型网络两大类。目前应用较广的是分层网络,根据实际输出和期望输出之差,对网络的各层连接权由后向前逐层进行误差校正的多层前馈网络,简称BP神经网络。该算法所采用的学习过程是由正向传播(处理)和反向传播(处理)两部分组成。在正向传播过程中,输入模式从输入层经隐含层逐层处理并传向输出层,如果输出层不是期望的输出,则误差信号从输出层向输入层传播,即反向传播,在反向传播过程中调整各层间连接权及各层神经元的偏置值,以便误差逐渐减小。因此,该算法的实质是求误差函数的最小值,它通过多个样本的反复训练,权值延误差函数的最快下降(负梯度)方向来改变,最终收敛于最小点,最后将多个已知样本训练得到的各层连接权及各层神经元的偏置值等信息作为知识保存,以便对未训练样本值进行预测。2.2.2bp神经网络构建建立合适的神经网络模型是利用神经网络技术进行煤储层渗透率预测的关键。本次试验根据BP神经网络的基本模型和BP算法,建立如图5的BP神经网络模型。该网络模型有三层组成:输入层、隐含层和输出层。第一层为输入层,考虑到研究工区煤储层渗透性的主控因素,输入层由煤层埋深、储层压力、地应力和有效地应力4个神经元组成。第二层为隐含层,由9个神经元组成,隐含层神经元称为隐含单元,它们与外界没有直接的关系,但其状态的改变能影响输入输出之间的关系。第三层为输出层,该层由煤储层渗透率1个神经元组成。在建立的BP神经网络的基础上,设置网络全局误差最小值的控制常数为0.0001,输出层的网络学习率为0.6,隐含层的网络学习率为0.6,对已知的24组样本,进行学习。为了验证训练好的模型在预测中的有效性,利用建立的BP网络模型对待测的10组样本进行了预测,其结果如表1。2.3预测结果对比由表1可以看出,多元线性逐步回归分析和BP神经网络两种方法的预测结果在一定程度上能够反映出了煤储层实际渗透率的变化趋势,且BP神经网络的预测结果明显优于线性回归分析的预测结果。两种预测方法的原理不同:线性回归分析预测是基于已知煤储层渗透率主控因素的数值与对应的渗透率实测值的线性关系分析;BP神经网络预测是基于已知煤储层渗透率每个主控因素的数值与对应的渗透率实测值非线性映射关系分析。然而实际上,煤储层渗透率与其主控因素数值之间并不一定具有线性关系,这是导致预测结果差异的主要原因。3煤储层渗透率研究煤储层渗透率是煤矿安全产和准确地评价和预测煤层气开发前景以及制定开发方案的重要评价参数。在一定的地质构造背景下