E-mail Alert Rss
 

物探与化探, 2020, 44(5): 1190-1200 doi: 10.11720/wtyht.2020.1561

方法研究·信息处理·仪器研制

基于灰色系统与测井方法的煤层气含量预测及应用

郭建宏,1,2, 张占松,1,2, 张超谟1,2, 陈芷若2, 张鹏浩1,2, 汤潇1,2, 秦瑞宝3, 余杰3

1.长江大学 物理与石油资源学院,湖北 武汉 430100

2.长江大学 油气资源与勘探技术教育部重点实验室,湖北 武汉 430100

3.中海油研究总院,北京 100027

Prediction and application of coalbed methane content based on gray system and logging method

GUO Jian-Hong,1,2, ZHANG Zhan-Song,1,2, ZHANG Chao-Mo1,2, CHEN Zhi-Ruo2, ZHANG Peng-Hao1,2, TANG Xiao1,2, QIN Rui-bao3, YU Jie3

1.College of Physics and Petroleum Resources, Yangtze University, Wuhan 430100, China

2.Key Laboratory of Exploration Technologies for Oil and Gas Resources, Ministry of Education, Yangtze University, Wuhan 430100, China

3.CNOOC Research Institute, Beijing 100027, China

通讯作者: 张占松(1965-),男,河南登封人,教授,主要从事测井方法与解释研究、油藏描述等工作。Email:Zhangzhs@yangtzeu.edu.cn

责任编辑: 王萌

收稿日期: 2019-12-2   修回日期: 2020-04-1   网络出版日期: 2020-10-20

基金资助: 国家科技重大专项.  2016ZX05060001-012
湖北高校省级大学生创新训练项目.  201810489075

Received: 2019-12-2   Revised: 2020-04-1   Online: 2020-10-20

作者简介 About authors

郭建宏(1997-),男,山东招远人,主要研究方向测井方法与解释、煤层气测井智能评价。Email: 87942024@qq.com

摘要

煤层气含量是评价煤储层的一个重要参数。本文将灰色系统用于煤层测井曲线,利用改进的斜率关联度法,分析了对煤层气含量敏感的测井曲线序列;对正关联相关的测井曲线序列利用灰色多变量静态模型GM(0,N)预测煤层气含量。并以沁水煤田为例,将预测结果与多元回归模型分析的结果进行比较并对本文方法模型的实用性进行研究分析。结果表明,应用改进的斜率关联度对测井曲线与煤层气含量进行灰色关联分析能更充分开发测井曲线与煤层气含量的关系;用GM(0,N)模型预测煤层气含量比多元回归模型预测的结果更精确,且本文模型更为强健,可在样本数据相对较少的情况下有效预测煤层气含量曲线,结果可信度高,具有实际应用价值。

关键词： 煤层气含量 ; 测井曲线 ; 灰色关联分析 ; GM(0,N)预测模型

Abstract

The content of coalbed methane is an important parameter in evaluating coalbed reservoir. In this paper, the gray system was applied to the coalbed logging curve, the improved slope correlation method was used to analyze the logging curve series which are sensitive to the coalbed gas content. The gray multivariate static model GM (0,N) was used to predict the coalbed methane content in the sequence of positive correlation logging curves. Taking Qinshui Coal Field as an example, the authors compared the gray multivariate static model prediction results with the results of the multiple regression model analysis, and studied and analyzed the practicability of the gray multivariate static model. The results show that the improved association analysis of gray incidence can fully develop the relationship between logging curve and coalbed methane content, and that the GM(0,N) prediction model is more accurate and more robust than the multiple regression model in that it can effectively predict the coalbed methane content curve when the sample data is relatively small. The result is reliable and has practical application value.

Keywords： coalbed methane content ; logging curve ; association analysis of gray incidence ; GM(0,N) prediction model

PDF (3713KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

郭建宏, 张占松, 张超谟, 陈芷若, 张鹏浩, 汤潇, 秦瑞宝, 余杰. 基于灰色系统与测井方法的煤层气含量预测及应用. 物探与化探[J], 2020, 44(5): 1190-1200 doi:10.11720/wtyht.2020.1561

GUO Jian-Hong, ZHANG Zhan-Song, ZHANG Chao-Mo, CHEN Zhi-Ruo, ZHANG Peng-Hao, TANG Xiao, QIN Rui-bao, YU Jie. Prediction and application of coalbed methane content based on gray system and logging method. Geophysical and Geochemical Exploration[J], 2020, 44(5): 1190-1200 doi:10.11720/wtyht.2020.1561

0 引言

我国煤炭资源储量丰富且开发前景广阔[1,2]。煤层气含量是评价煤层含气储层参数之一[3],其与煤层气井单井产量预测、资源开发前景及资源勘探息息相关[4],在实际开采中为防止盲目开发带来的损失需进行区块储量预测[5,6]。煤层气作为非常规天然气,与常规天然气在储层中的储集与渗流机理存在不同[7],煤层气含量受控因素复杂繁多,与煤阶变质程度、温度、压力、有效埋深、厚度、构造特征,水文地质特征等地质因素相关联[8,9,10,11,12]。对煤层气含量的预测自几十年前起就有学者进行了相关研究,煤层气含量的测定方法多样,相对直接且准确的是对煤心进行实验测量,但因煤心实测资料较少难以直接使用。继而可根据等温吸附理论、地质统计分析法等对气含量进行估算[13]。国内外煤层气研究学者相继提出了多种煤层气含量评价预测方法,1997年由Kim A G.提出Kim法,将水分、灰分含量结合煤层压力、温度及平衡水状态校正量等进行煤层吸附气含量计算[14],后基于这一方法将煤心工业组分含量引入并进行相关分析,提出改进Kim方程;Ahmed U[15]等通过建立等温吸附模型对煤层气等温吸附线进行描述;Hawkins J M等[16]根据Langmuir等温吸附理论,进一步提出用兰氏煤阶方程计算方法进行煤层气含量预测。

除地质方法外,利用测井手段求取煤层含气储层参数也逐步成为研究热点。由于煤层气含量受多方面因素影响,测井与煤层气含量的关系可能为线性或非线性。预测煤层气含量的方法多以回归分析、BP神经网络等算法为主。回归分析法多为通过分析常规测井曲线,建立测井与煤层气含量相关关系,预测煤层气含量,这类模型预测效果良好,有较好的应用前景[17,18];邵先杰等[19]基于煤岩工业组分间的关系及补偿密度、声波时差等的测井响应,对韩城矿区煤样应用多元回归分析和体积模型法建立了煤储集层含气量测井解释模型,计算结果匹配度好;黄兆辉等[20]针对沁水盆地目标层,分析煤工业组分与相关测井响应特征,结合改进Langmuir煤阶方程对煤质与含气量关系进行建模;金泽亮等[21]分析沁水盆地柿庄区块煤层气储层地质特征及测井资料,利用兰氏方程和多元线性回归导出了煤层气含量计算的经验公式,其结果具有可信度与有效性。在利用线性关系难以准确建模时,可利用神经网络等方法进行煤层气含量计算。将电阻率、体积密度、自然伽马等一系列测井曲线参数,通过神经网络训练预测值和期望值的吻合程度计算煤层气含量,该算法的非线性逼近能力强,对于已知存在某种潜在的联系但又无法用确切方程或算法表达的求解问题有其独到之处[22]。侯俊胜等[23]根据煤层气储层及其测井响应特征将神经网络方法应用于测井资料解释中,取得了满意的解释结果;潘和平等[24]提出利用非线性方法预测煤层气含量,通过分析大量数据验证表明BP神经网络预测煤层气含量精度比较高;吴东平等[25]应用BP神经网络对山西柳林杨家坪地区煤层进行煤层气含量预测,效果良好;连承波等[26]将支持向量机引入煤层气含量的评价预测中。

在实际应用中,由于各测井参数对煤层气含量的灵敏度不同且组合方式存在差异,因而回归分析法得出的模型计算结果与实际数据存在一定偏差,误差分析数据不足导致应用效果受限,BP神经网络由于训练的复杂性并且对数据样本要求较高,使用存在局限性。针对上述问题,本文将灰色关联技术这一数学方法结合测井曲线参数进行煤层气含量预测,即通过计算各测井曲线参数与煤层气含量的灰色关联度并结合GM(0,N)模型进行煤层气含量预测,并用实际数据来验证本文方法的有效性和实用性。

1 基本原理

1.1 灰色关联计算

对数据分析时使用灰色关联法所得的结果直观且对数据样本数量、数据形态及数据间隔要求较低,并且对于无典型分布规律的数据,定量计算与定性分析结果相符合,实用性强。最早且应用最为广泛的灰色关联法是由邓聚龙教授提出的一般关联度,基本思想为将各序列曲线的几何形状进行对比,根据其相似程度来比较判断各序列联系的紧密程度,曲线几何形状接近,则序列间关联度大,反之形状不接近则关联度小。

一般关联度的具体形式为规定一参考序列x0与一对比序列xi,其形式分别为

x0={x0(k)|k=1,2,3,…,n},
xi={xi(k)|k=1,2,3,…,n},

其中i∈[1,∞),将x0与xi之间的一般关联度定义为:

γ(x0,xi)=1n∑k=1nminimink|x0(k)-xi(k)|+ρmaximaxk|x0(x)-xi(x)||x0(k)-xi(k)|+ρmaximaxk|x0(k)-xi(k)|,

式中: maximaxk|x0(k)-xi(k)|为参考序列与对比序列间的两极最大差; minimink|x0(k)-xi(k)|为参考序列与对比序列间的两极最小差;ρ为分辨率系数,ρ∈[0,1],多取ρ=0.5。

1.2 斜率关联度

一般关联度于实际应用中在规范性与无量纲化保序性上存在缺陷,继而有学者提出斜率关联法。该关联法的基本思想为根据参考序列与对比序列在同一时段上各序列曲线斜率的接近程度来判定序列之间的关联度。若参考序列与对比序列在各时段上斜率方向相同且数值接近则两序列间关联程度大,反之则相对小。斜率关联度的计算公式为[27]:

γ(x0,xi)=1n-1∑k=1n-111+x0(k+1)-x0(k)x0(k+1)-xi(k+1)-xi(k)xi(k+1),

其中k∈[1,n-1],i∈[1,n]。

后对上述斜率关联法进行改进引入δ(k)函数,使其既可以反映序列间的正关联情况,也能反映负关联情况[28,29,30,31]。本文在此基础上,结合实际情况,根据参考序列煤层气含量的分布情况进行分段加权平均,加权系数取决于各段上样本数量的多少。本文假定参考序列根据数值范围分选至m个区域,根据各区域样本数量的多少进行加权平均,计算公式可写为:

γ(x0,xi)=1n-1∑k=1n-1δ(k)11+|x0(k+1)-x0(k)|Δ̅0w-|xi(k+1)-xi(k)|Δ̅iw,

其中 Δ̅0w=1∑l=1mwl∑l=1m∑k=1n-1wl|x0(k+1)-x0(k)|;Δ̅iw=1∑l=1mwl∑l=1m∑1n-1wl|xi(k+1)-xi(k)|;δ(k)=±1,当(x0(k+1)-x0(k))(xi(k+1)-xi(k))≥0时值为1,当(x0(k+1)-x0(k))(xi(k+1)-xi(k))<0时值为0。

1.3 GM(0,N)模型

GM(0,N)模型为不含导数的静态模型,该模型与多元线性回归模型有着本质上的区别,一般的多元线性回归模型以原始数据为基础,GM(0,N)模型则是以原始数据一次累加的新数据序列为建模基础[29]。GM(0,N)模型的建模形式弱化了原始数据间的随机性,将数据规律性提高[32],且该模型对统计数据数量要求小,在实际生产中更能满足使用条件,这也是本文对工区数据使用GM(0,N)模型的原因之一。

规定 x1(0)={ x1(0)(1), x1(0)(2),…, x1(0)(n)}为系统特征序列,将相关因素序列规定为:

x2(0)={x2(0)(1),x2(0)(2),…,x2(0)(n)},x3(0)={x3(0)(1),x3(0)(2),…,x3(0)(n)},︙xN(0)={xN(0)(1),xN(0)(2),…,xN(0)(n)},

xi(1)为 xi(0)的一次累加生成序列,即1-AGO序列。可将GM(0,N)模型写成:

x1(1)(k)=a+b2x2(1)(k)+b3x3(1)(k)+…+bNxN(1)(k)

预测步骤为:

1) 求取各序列的1-AGO(一次累加)序列;

2) 构造数据矩阵:

B=1,x2(1)(2),…,xN(1)(2)1,x2(1)(3),…,xN(1)(3)︙1,x2(1)(n),…,xN(1)(n),Y=x1(1)(2)x1(1)(3)︙xN(1)(n);

3) 计算参数列: a^=[a,b2,…,bN]T

参数列计算的最小二乘估计公式为:

a^=(BTB)-1BTY,

4) 按照式(6)建立GM(0,N)模型;

5) 还原数据列得到预测值:

按照式(6)计算得到的数据无实际物理意义,通过序列内数据累减得到还原数据序列,公式为:

x^1(0)(k+1)=x^1(1)(k+1)-x^1(1)(k),

若要预测系统特征数据第n个值以后的值,仍可通过上述步骤建立GM(0,N)模型计算得到累加数据后进行累减逆生产即可[33]。

2 煤层气含量预测应用实例

本文使用的工区实例为山西省沁水煤田柿庄北区15号煤层气含量数据,结合本文上述方法对煤层数据进行处理并预测煤储层气含量并与邻近工区使用的多元回归法进行对比[34]。

2.1 工区概况

沁水煤田是中国目前产煤最多的大型石炭—二叠纪煤田[35]。沁水煤田煤层气资源丰富,约占全国煤层气资源量的1/4,其勘探程度在国内最高、储量条件稳定、开发潜力巨大,新一轮资源评价结果显示,沁水盆地煤层气地质资源量大于1×1012>m3[36]。本文所用数据其勘探区于沁水煤田柿庄北区15号煤层。勘探区共取得煤层气含量测试样品40个。将40个测试样品气含量及对应的标准化以后的自然电位、自然伽马、补偿密度、声波时差、补偿中子、深浅侧向电阻率及深度收集制表(表1)。

表1   15号煤层测试含气量与测井标准化参数

Table 1  Test gas content and logging standardization parameters of coal seam 15

样号测试气量
/(m3·t-1)		深度曲线
/m		自然伽马
/API		自然电位
/mV		补偿密度
/(g·cm-3)		声波时差
/(μs·m-1)		补偿中子
/(V·V-1)		深电阻率
/(Ω·m)		浅电阻率
/(Ω·m)
118.58974.2637.5651.414110.5081745524
216.59974.5050.4551.474130.5175945225
316.99976.9949.1281.254140.4716201641
$\vdots$
4017.171239.2724.0831.544430.46159237

新窗口打开| 下载CSV


2.2 测井参数关联分析

煤层气含量理论上受煤层有效埋深及煤层顶底板岩性等多个地质因素所控,而这些地质因素决定了煤层测井响应特征。因此,不同测井曲线上会因煤层气含量的变化出现不同响应。根据研究区柿庄北区15号层的40组煤储层气含量测试样品,能对煤层气测井响应与煤层气含量做相关性分析(图1),找到与煤层气含量相关性相对明显的测井曲线,根据拟合优度建立关联序(表2)。再应用改进的斜率关联法计算各测井参数与煤层气含量间的关联度与关联序(表3),为消除主控因素不同量纲的数据对预测结果的影响,进行关联度计算前需要对数据进行初值化处理[18]。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   煤储层含气量与测井参数之间的关系

Fig.1   Relationship between gas content of coal reservoir and logging parameters


表2   线性回归相关系数结果

Table 2  Linear regression correlation coefficient results

R12
自然伽马		R22
深电阻率		R32
补偿密度		R42
声波时差
拟合优度0.5220.2270.4130.408
关联序1423

新窗口打开| 下载CSV


表3   本文斜率关联度计算结果

Table 3  The calculation results of slope correlation degree in this paper

γ(x0,x1)
深度曲线		γ(x0,x2)
自然伽马		γ(x0,x3)
自然电位		γ(x0,x4)
声波时差		γ(x0,x5)
补偿密度		γ(x0,x6)
补偿中子		γ(x0,x7)
深电阻率		γ(x0,x8)
浅电阻率
关联度0.1730.3680.0970.5240.5170.2290.384-0.085
关联序64712538

新窗口打开| 下载CSV


结合线性回归及斜率关联度法判断各测井曲线与煤层气含量的关联性,通过线性回归图得到自然伽马、补偿密度、声波时差及深侧向电阻率与煤层气含量存在相关关系,但其他测井曲线序列相关性不明显。而斜率关联法分析的结果为:除浅侧向电阻率曲线与煤层气含量为负关联外,其余测井曲线序列均与煤层气含量呈正关联,即可用于煤层气含量建模预测。基于上述结果对各测井曲线与煤层气含量间的关系结合15号煤层数据进行分析。

2.2.1 煤层气含量与深度曲线之间的关系

煤层所在的深度决定着煤化作用产生的气体是否能得到保存,理论上随着煤层埋深的增加,煤化程度与生烃量增加,即煤层气含量应相应增大[20],但深度达到某一临界深度后,基于地质构造因素等原因[37]导致含气量增加趋势缓慢,遵循朗格缪尔吸附定律。本区15号煤层所处位置相对3号煤层更深,样本分布区间集中,在线性回归上难以得到气含量与深度曲线间的相关关系,两者无法用线性方程解释;经斜率关联法计算后,发现煤层气含量与深度曲线为正关联,结合该地区煤层埋藏深、封闭性好等特点与斜率关联度计算结果理论上不相悖,可将深度曲线用于煤层气含量预测。

2.2.2 煤层气含量与补偿密度之间的关系

煤的基质密度较低,补偿密度测井上,15号煤层统计煤的体积密度为1.20~1.87g /cm3, 平均为1.47g /cm3。煤层气主要以吸附态、游离态及溶解态的形式赋存于煤层中,吸附态气量占煤层气含量比例最大,约占总体的80%~95%。在测井密度值的响应上,密度值随着致密程度的增加而增大,即致密程度的增大相应的会使孔隙度及煤层气含量降低,反之致密程度越小煤层越松软,煤层气含量会相对升高。因而随着煤层气含量的增加,对应的说明煤的体积密度减小,利用线性回归发现气含量与补偿密度间为负相关关系,通过斜率关联度计算两者在数值变化趋势上呈正关联。

2.2.3 煤层气含量与声波时差之间的关系

煤的分子结构相对松散,且声波传播受制于煤层内部结构,导致其传播速度较低,因而在声波时差测井曲线上表现为时差较高。声波时差对含气性敏感,在含气储层由于声波能量严重衰减导致声波时差会明显增大或出现周波跳跃现象[37]。在声波时差测井响应上,煤层含气性使得声波时差增大或出现周波跳跃现象,声波时差增大越明显说明能量衰减越严重,指示气含量高,反之若煤层段声波时差增大不明显对应说明能量衰减相对更弱,气含量为相对低值。结合线性回归图中煤层气含量与声波时差呈正相关关系且斜率关联度计算表明两者在数值变化趋势上呈正关联,与理论分析相符。

2.2.4 煤层气含量与补偿中子之间的关系

在煤层中,储层实际孔隙度通常较低,一般不足10%,但由于煤层由碳、氢、氧组成且煤层气中含有甲烷,导致含氢指数高,补偿中子测井呈现一种虚高假象。15号煤层段补偿中子主要分布在40%~56%之间,其测量数值偏大。理论上煤层含气后补偿中子测井值会相对减小,但实际影响补偿中子测井值的因素较多,例如其受制于煤层其他组分的中子骨架值,煤层气组分及对应的中子骨架值和储层含水量等一系列因素。结合实际煤层气含量与补偿中子的线性回归分析,补偿中子反映煤层气含量的相关性弱;而通过斜率关联法计算发现两者在数值变化趋势上呈正关联。

2.2.5 煤层气含量与自然伽马之间的关系

煤体本身的自然放射性较弱,煤的天然放射性取决于成煤过程中的外来矿物质。煤中存在的黏土矿物,会通过影响煤的吸附性能而影响煤层气含量,煤中黏土矿物增多,煤层气含量减少,而煤层中含有较多黏土矿物时会导致自然放射性增强。测井曲线中煤层自然伽马值越高,对应的泥质等灰分含量越高,煤层的有效孔隙减少,导致煤层气含量降低;反之,伽马值越低,煤层泥质等灰分含量越低,煤层的有效孔隙增加,气体含量就会升高。通过线性回归可以发现自然伽马与煤层气含量为负相关,与理论分析相符,结合数据斜率关联度计算,两者数值大小的变化趋势为正关联。

2.2.6 煤层气含量与自然电位之间的关系

煤层的岩性相对较纯,泥质及盐类含量较低,且煤电阻率较高,则煤层和泥浆间的化学作用和动电学作用很弱,自然电位读数低,呈现负异常变化,自然电位负异常幅度与黏土含量呈反比,而黏土矿物的存在会使得煤层气含量减少,即自然电位负异常幅度越大,黏土含量相对更少,对应的煤层气含量增加,反之自然电位负异常不明显对应的煤层气含量减少。但实际自然电位曲线的变化对泥浆滤液及地层水电阻率,储层渗透性等较多因素敏感,煤层中自然电位测井更多地用于储层划分,通过与气含量回归发现两者在数值上关联性较低,煤层段自然电位负异常趋势明显,读数普遍为低值,部分数据组存在自然电位随气含量增大而减小的趋势;利用斜率关联法计算煤层气含量与自然电位间的关联度得到两者数值变化趋势上具有关联性,由于自然电位受制于较多影响因素,两者关联序靠后,可用于煤层气含量预测但不占主导位置。

2.2.7 煤层含气量与电阻率之间的关系

在自然条件下,煤的电阻率除了受煤层含气量影响外,还受煤的变质程度、煤岩构造、矿物质含量和分布及等较多因素影响。例如随着煤层埋深的增加,煤变质程度越高,电阻率值越大,且一般来说煤层气含量增加,电阻率也会相应增加。柿庄北区15号层电阻率测井包含深侧向电阻率与浅侧向电阻率,深侧向电阻率主要反映地层真电阻率的变化,浅侧向电阻率反映侵入带电阻率的变化。通过回归分析发现,煤层气含量与深侧向电阻率的对数存在相关性,在线性回归图上,煤层气含量与深侧向电阻率的对数在数值上呈正相关。但煤层气含量与浅侧向电阻率相关性较弱,通过分析数据可以发现浅侧向电阻率相对更低且多组气含量测试样品对应的浅侧向电阻率数值相近或相同。分析原因为煤层受泥浆侵入影响导致浅侧向电阻率测井反映的电阻率为泥浆滤液电阻率;利用斜率关联法计算发现煤层气含量与深侧向电阻率呈正关联但与浅侧向电阻率呈负关联,即浅侧向电阻率曲线无法参与煤层气含量预测,考虑到由于侵入关系浅侧向电阻率主要反映的是泥浆滤液电阻率而非煤层气电阻率,结果与理论相符合。

综上分析,利用线性回归能找到与煤层气含量理论关联相对直接的测井曲线,结合实际数据分析能找出与15号煤层气含量相关的自然伽马、补偿密度、声波时差及深侧向电阻率测井曲线,对煤层气含量相对不敏感的曲线难以通过线性回归找到关联;而通过斜率关联法面对同样的测井曲线样本,可以得到更多与煤层气含量呈正关联相关的测井曲线,即可发掘不同测井曲线与煤层气含量间的隐性关联,对于浅侧向电阻率不能完全反映煤层气含量也能做出正确判别,计算结果均与理论实际相符,也印证了斜率关联度法能更好地发掘无典型分布规律数据变量间的关系且结果可靠。

2.3 预测模型GM(0,7)的建立

根据上述关联度分析结果,深度曲线、自然伽马、自然电位、深侧向电阻率、声波时差、补偿密度及补偿中子与煤储层气含量斜率关联度均为正数,即表明其正关联关系,结合GM(0,N)模型建立步骤,利用15号煤层前25个气含量测试样品建立GM(0,7)预测模型,并利用该模型对之后15组数据的煤层气含量进行预测。

将给出的煤储层气含量测试样品中的气含量及相关测井数据进行累加累到各序列的1-AGO序列,再利用最小二乘法进行建模,根据式(6)得到的模型为:

x1(1)(k)=-1.976-0.002x2(1)(k)-0.052x3(1)(k)+0.003x4(1)(k)+0.222ln(x5(1)(k))+0.357x6(1)(k)-0.129x7(1)(k)+12.899x8(1)(k),

式中, x1(1)(k)为系统特征数据含气量的1-AGO(一次累加)序列; x2(1)(k)、 x3(1)(k)、 x4(1)(k)、 x5(1)(k)、 x6(1)(k)、 x7(1)(k)及 x8(1)(k)分别为深度曲线、自然伽马、自然电位、深侧向电阻率、声波时差、补偿密度及补偿中子的1-AGO(一次累加)序列。再结合式(8)将预测系统特征数据进行累减逆生成得到预测数据,即预测煤层气含量,以X井为例做出预测含气量曲线(图2),并将预测结果与测试样品结果进行数据对比(图3a、表4)。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   X井15号煤层预测气含量曲线

Fig.2   Predicted gas content curve of coal seam 15 in well X


图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   预测含气量与煤层测试含气量间的关系

Fig.3   Relationship between the prediction of gas content and the measurement of gas content in coal seam


表4   测试含气量与灰色预测含气量的关系

Table 4  The relationship between testing gas content and grey prediction gas content

样品号测试含气量/(m3·t-1)预测含气量/(m3·t-1)绝对误差/(m3·t-1)平均相对误差/%
2615.3416.681.348
2719.3317.292.0410
2817.9816.981.005
2917.7618.210.452
3016.5617.140.583
3113.1014.581.4811
3219.5718.491.085
3313.7615.481.7212
3412.6913.811.128
3510.2910.600.313
3612.5412.750.211
3713.5413.580.040
3817.1716.550.623
3913.2412.810.433
4016.2416.200.040
平均值0.834.9

新窗口打开| 下载CSV


经计算研究,利用GM模型预测得到的气含量曲线与测试含气量数值结果吻合,且绝对误差与相对误差较小,可以有效预测。将本文方法与多元回归法进行对比,为防止敏感性差的曲线降低评价精度,选择相关性明显的自然伽马、声波时差、补偿密度及深侧向电阻率曲线进行回归,多元回归法计算出的平均绝对误差与平均相对误差分别为1.69和13.2%,GM模型预测对应的分别为0.90与6.1%,均低于多元回归法,因而证明本文方法相对于多元回归法能更全面有效地使用数据及其正确性。

GM模型所得的结果精度较高且对数据样本数量要求较低,对于无典型分布规律的数据也能得到相对良好的预测结果。本文对GM模型的实用性进行了分析,应用柿庄北区15号煤层数据,根据气含量测试样品所在的深度位置,从974~1 230 m的样品中按照深度段随机抽取部分数据预测1 238~1 240 m及1 345~1 350 m处的5组数据,使用灰色多变量静态模型进行建模预测,参与建模的数据由6组逐步增加至20组,每次增加两组数据,本文方法预测结果如表5。根据表中结果可以看出,利用6组数据建模预测时,平均相对误差为 14.9%,随着参与建模样本数据的增加,预测精度逐渐增大,当建模数据超过8组时,平均相对误差小于10%并最终稳定在4%~5%。

表5   GM(0,7)模型基于不同样本数预测深层煤层气含量结果

Table 5  GM(0,7) model predicts the deep CBM content based on different sample numbers

建模个数不同深度点对应的气含量预测值/(m3·t-1)绝对误差
/(m3·t-1)		平均相对误差
/%
1 238.67 m1 240.82 m1 347.34 m1 348.54 m1 349.44 m
616.4819.3523.5322.1820.392.6714.9
814.7517.6321.6320.0419.21.7710.0
1013.3515.3721.2518.0720.401.568.7
1215.9516.9421.9319.7021.21.648.9
1416.9817.4221.9020.0421.31.628.8
1615.8415.9221.3418.7219.410.965.3
1816.7816.3821.4418.6618.870.874.5
2017.0316.6521.5419.0619.530.844.6
气含量17.2616.2019.3517.7619.57

新窗口打开| 下载CSV


同时利用多元回归法重复上述步骤进行对比,将不同组数的预测结果的相对误差与绝对误差绘制成图(图4)。可以观察出随着参与建模和回归的样本数量增加,GM模型预测结果与煤层测试气含量更为吻合,平均相对误差均在15%以内且最低为4.5%;多元回归模型预测结果出现波动,平均相对误差在样本较少时出现波动,无法准确预测煤层气含量,随着样本数量的增加,预测模型逐渐有效,在样本数超过10组时,预测结果平均相对误差达到14%且最终稳定在13%。 研究预测气含量发现GM模型预测结果在1 238~1 240 m及1 345~1 350 m段良好,相对误差稳定且较低,而多元回归模型在样本数据较低时对两段煤层气含量预测误差偏大,结果无法用于生产参考,随着样本组数增加,1 238~1 240 m段预测误差逐渐降低,但1 345~1 350 m段误差始终相对偏高。分析计算结果,也验证了GM模型结合测井曲线预测煤层气含量的方法在小样本数据的情况下具有强健性,适用性广,能弥补多元回归法对样本数量要求高的缺陷。即在取样条件受限的情况下,可应用本文方法利用少量浅层煤层数据预测更深煤层气含量,为后续评价储层、开发储层提供可靠的参考依据,且煤样取芯成本昂贵,利用少量样本数据结合测井曲线预测煤层气含量也具有实际应用价值。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   样本数据数量与预测平均误差的关系

Fig.4   The relationship between the number of sample data and the average error of prediction


3 结论

1) 研究计算表明:通过结合实际问题,改进的斜率关联度进行灰色关联分析,可从煤层测井曲线中确定对煤层气含量变化敏感的主要测井曲线,对直观分析无法观测出相关性的测井曲线参数能够通过计算斜率变化及数值变化趋势发掘其关联性,在使用GM(0,N)模型时能更为全面地应用测井曲线序列;

2) 利用斜率关联分析选取适当测井曲线所建立的 GM(0, N)模型,可用来预测煤层气含量,且预测结果相对多元线性回归模型精度更高;

3) GM(0,N)模型在评价煤层气含量方面准确且强健,在面对取样受限导致的数据样本较少、样本分布规律不明显时能准确建模预测。GM(0,N)模型运算简单方便,实际生产时可利用少量无典型分布规律的样本数据结合测井曲线准确预测出煤层气含量曲线,对后续开采有良好的指导参考作用,可避免盲目开采带来的经济损失。

综上分析,本文使用的将灰色系统与测井方法相结合预测煤层气含量,构建模型强健且使用范围广泛,在生产中具有实际应用价值且有广阔的应用开发前景。

参考文献

赵庆波.

中国煤层气地质特征及勘探新领域

[J]. 天然气工业, 2004,24(5):4-7.

URL     [本文引用: 1]

根据中国石油天然气股份有限公司煤层气10年勘探经验教训，借鉴国外成功实例，总结了中国煤层气生气、成因、成藏模式，进行了煤层气勘探目标评价参数分类；提出了不同煤阶区的煤层气勘探新认识；梗概阐述了利用以上理论认识发现沁水煤层气田和大宁含气区的基本地质条件。最后分析了煤层气未来勘探新领域。

Zhao Q B.

Geological features of the coalbed methane in China and its new exploration domains

[J]. Natural Gas Industry, 2004,24(5):4-7.

URL     [本文引用: 1]

According to the experiences and lessons taken by PetroChina Ltd.in exploring for coalbed methane about ten years past and in consideration of the foreign successful cases，the generation，geneses and reservoiring modes of the coalbed methane in China are summarized；the parameters of evaluating coalbed methane exploration targets are classified；some new ideas of exploring for the coalbed methane in different coal rank areas are proposed；foundational geological conditions of the Daning methanebearing area and Qinshui coalbed methane field discovered by applying the new theoretical knowledge are stated；and the new exploration domains of coalbed methane in the future are analyzed in the paper finally.

万玉金, 曹雯.

煤层气单井产量影响因素分析

[J]. 天然气工业, 2005,25(1):124-126.

URL     [本文引用: 1]

煤层气主要以吸附状态赋存在煤岩基质中，只有当储层压力降低后才可以从基质中解吸出来，煤岩裂隙或割理中多被水充满，而裂隙与割理是煤层中的主要运移通道，煤层气需要通过排水（裂隙或割理）降压（煤岩储层）方式才得以采出，故煤层气的产量受煤岩性质、压力水平和两相渗流特征等多种因素的影响。文章分析认为，影响煤层气井单井产量的主要因素包括煤岩渗透率、孔隙度、吸附能力、含气量、临界解吸压力、相对渗透率等；为提高煤层气井单井产量，必须通过洞穴完井、压裂改造或水平井等方式，改善井底渗流条件，有效地降低井底流压，扩大压力波及范围，增加有效解吸区，扩展两相渗流区范围。为实现煤层气的规模开发，必须深化认识储层特征，结合地质实际，选择合适的开发技术。

Wan Y J, Cao W.

Analysis on production affecting factors of single well for coalbed gas

[J]. Natural Gas Industry, 2005,25(1):124-126.

URL     [本文引用: 1]

Coalbed gas exists in the coal matrix mainly as adsorption state. It can't discharge by desorption until the reservoir pressure drops. Most of fractures and cleats in coal rocks are filled by water. The fractures and cleats are the main migration channels of coalbed gas. Coalbed gas can't be exploited until water draining and pressure dropping. So, the production of coalbed gas is affected by many factors such as the property of coal rocks, the pressure level and the features of biphase percolation etc. The article thinks the main factors to affect the production of a single well for coalbed gas include permeability, porosity, adsorption ability, gas content, critical desorption pressure, and relative permeability etc. To improve the production of a single well for coalbed gas, it is necessary to improve the percolation conditions of bottom hole, reduce the production pressure of bottom hole effectively, expand the range of pressure sweep, increase the effective desorption zones, and expand the range of biphase percolation region by the way of cave completion, fracturing stimulation, or horizontal drilling etc. To realize the commercial development of coalbed gas, it is necessary to understand the features of the reservoirs deeply, and select the proper exploiting techniques according to the geological conditions. (Financed by the National Basic Research Program Project, No. 2002CB211700)

孟召平, 田永东, 雷旸.

煤层含气量预测的BP神经网络模型与应用

[J]. 中国矿业大学学报, 2008,37(4):28-33.

[本文引用: 1]

Meng Z P, Tian Y D, Lei Y.

Prediction models of coalbed gas content based on BP neural networks and its applications

[J]. Journal of China University of Mining & Technology, 2008,37(4):28-33.

[本文引用: 1]

连承波, 赵永军, 李汉林, 等.

煤层含气量的主控因素及定量预测

[J]. 煤炭学报, 2005,30(6):726-729.

[本文引用: 1]

Lian C B, Zhao Y J, Li H L, et al.

Main controlling factors analysis and prediction of coalbed gas content

[J]. Journal of China Coal Societ, 2005,30(6):726-729.

[本文引用: 1]

曾凡武, 薛晓辉.

煤层气含气量测定影响因素分析

[J]. 中国煤层气, 2012,9(3):24-26.

[本文引用: 1]

Zeng F W, Xue X H.

Analysis of factors influencing measurement of gas content

[J]. China Coalbed Methane, 2012,9(3):24-26.

[本文引用: 1]

邓泽, 刘洪林, 康永尚.

煤层气含气量测试中损失气量的估算方法

[J]. 天然气工业, 2008,28(3):85-86.

URL     [本文引用: 1]

煤层含气量是煤层气勘探开发、选区评价和储层研究必不可少的重要资料，而准确求取损失气量又是决定煤层含气量可靠性的关键。为此，着重论述了含气量测定过程中解吸温度、损失时间以及计算方法等因素对准确求取损失气量的影响。通过分析对比，提出了改进测试的建议和计算方法。

Deng Z, Liu H L, Kang Y S.

Estimation methods of lost gas in coal bed gas content testing

[J]. Natrual Gas Industry, 2008,28(3):85-86.

[本文引用: 1]

娄剑青.

影响煤层气井产量的因素分析

[J]. 天然气工业, 2004,24(4):62-64.

URL     [本文引用: 1]

煤层甲烷在煤储层中的储集及渗流与常规天然气大不相同，其影响因素多样而复杂。 影响煤层气产量的主要因素是煤层渗透率、煤层厚度及含气量。大量煤层气井生产实践证明，含气量是影响产量的物质基础，而渗透率是影响产量大小的控制性因素。煤层含气量与煤层厚度及埋深一般有正相关关系，而渗透率一般随埋深增加而减小。用产气潜能与产气能力将更全面地反映含气量及渗透率对煤层气井产量的影响。把含气量引入达西流产量公式也许能更真实地反映甲烷气体在煤储层中流动产出的特征。

Lou J Q.

Factors of influencing production of coal bed gas wells

[J]. Natrual Gas Industry, 2004,24(4):62-64.

[本文引用: 1]

张胜利, 陈晓东.

控制煤层气含量及可采性的主要地质因素

[J]. 天然气工业, 1997,17(4):15-19.

URL     [本文引用: 1]

煤层含气量及煤层可采性是决定煤层气能否成藏的重要条件.研究表明,控制煤层气含量的主要地质因素有:煤变质程度,埋藏深度,煤层顶、底板岩性,以及断裂构造情况等,其中煤变质程度起着根本性作用.控制煤层气可采性的主要地质因素有:煤层渗透性、煤等温吸附特征及煤的含气饱和程度,其中煤层渗透率是最主要的影响因素.

Zhang S L, Chen X D.

Geological controls on content and producibility of coal seam gas

[J]. Natural Gas Industry, 1997,17(4):15-19.

URL     [本文引用: 1]

The geological controls on content and producibility of coal seam gas are studied.The studyresult indicates that geological controls on content of coal seam gas include clal metamir phic degree,coal buried depth,coal roof and Hoor lithologies,and faults and those on prokucibility include coal permeability,coal isothetrmal adsorption and gas saturation.

高波, 马玉贞, 陶明信, 等.

煤层气富集高产的主控因素

[J]. 沉积学报, 2003,21(2):345-349.

URL     [本文引用: 1]

对煤岩的生储气能力、煤储层渗透率、煤层气保存条件等影响煤层气高产富集的主控因素进行了分析。煤岩组分和煤变质程度是影响煤层生储气能力的主控因素。煤层的储气能力与温度、压力、灰分及水分含量等亦有关。煤层的渗透率取决于煤层本身的裂隙系统,而裂隙的发育程度又与煤变质程度及构造活动的强弱相关。煤层气的保存则取决于顶底板的封盖能力、构造活动、水动力环境等条件。煤层气成藏条件是煤层气基础地质研究中的核心问题,应加强研究。

Gao B, Ma Y Z, Tao M X, et al.

Main controlling factors analysis of enrichment condition of coalbed methane

[J]. Acta sedimentologica Sinica, 2003,21(2):345-349.

URL     [本文引用: 1]

In this paper, the authors have analyzed the main controlling factors that affect enrichment and high production of coalbed methane (CBM), such as generating and storing capacity of coal rock, permeability of coal reservoir and preservation conditions of CBM. Research shows that maceral and the degree of metamorphism of coal rock are key factors that control the generating and storing capacity of coal rock. Temperature, pressure and the content of mineral substance and water are also relevant to the storing capacity of coal rock. However, the permeability of coalbed is mainly controlled by fracture system of coal rock, which is relevant to the maturity of coal and the intensity of tectogenesis. The preservation of CBM pool is mainly controlled by the sealing capacity of roof and floor plate, tectonic activity and hydrodynamic environment. Because of its important role, we'd better strengthen the research on CBM pool forming conditions.

吴永平, 李仲东, 王允诚.

煤层气储层异常压力的成因机理及受控因素

[J]. 煤炭学报, 2006,31(4):475-479.

URL     [本文引用: 1]

在煤层气储层压力的内部和外部成因分析的基础上，重点从生烃条件﹑保存及封盖条件、水动力条件3方面分析了煤储层异常压力的形成机理及控制因素.根据沁水盆地煤炭开采阶段收集的大量地层压力资料，研究了影响该地区煤层气储层异常压力的主要控制因素及其时空匹配，分析了压力封闭和泄露的地质条件，重点对沁水盆地的异常压力的成压机理进行了探讨，得出造成沁水地区异常低压的主要原因是生烃作用停止以及构造抬升造成煤层气大量逸散.

Wu Y P, Li Z D, Wang Y C.

The formation mechanisms of abnormal pressure and factor in control of the coal bed gas in Qinshui Basin

[J]. Journal of China Coal Society, 2006,31(4):475-479.

URL     [本文引用: 1]

Based on the analysis coalbed pressure inner part and exterior formation reason， the formation mechanisms of abnormal pressure and factor in control of the coalbed gas were analyzed which the coalbed&nbsp; condition，keep and cover condition，and motive of water condition.To the much of collection Qinshui basin&nbsp; formation pressure data from exploitation stage，studied factors in main control of the coal bed gas abnormal pressure and accouplement time space，analyzed pressure envelop and leak geologic condition，emphasis approached for the formation mechanisms of abnormal pressure of Qinshui basin.The result in Qinshui basin abnormal lowpressare main reason is living the hydrocarbon function stoped and the structure lift to rise caused coalbed gas a great deal of lost.

叶建平, 武强, 王子和.

水文地质条件对煤层气赋存的控制作用

[J]. 煤炭学报, 2001,26(5):63-67.

[本文引用: 1]

Ye J P, Wu Q, Wang Z H.

Controlled characteristics of hydrogeological conditions on the coalbed methane migration and accumulation

[J]. Journal of China Coal Society, 2001,26(5):63-67.

[本文引用: 1]

董红, 侯俊胜, 李能根, 等.

煤层煤质和含气量的测井评价方法及其应用

[J]. 物探与化探, 2001,25(2):138-143.

URL     [本文引用: 1]

根据辽河油田东部凹陷煤储层的地质特征以及实际煤岩芯分析资料和测井资料,利用回归分析方法得出了计算煤层各组分含量和煤阶的方法;通过分析煤层气特征,利用兰氏方程、吸附等温线和煤层气层中子背景值导出了煤层含气量的计算公式,并通过辽河油田东部凹陷实际煤储层测井资料的处理解释验证了方法的有效性。

Dong H, Hou J S, Li N G, et al.

The logging evaluation method for coal quality and methane

[J]. Geophysical and Geochemical Exploration, 2001,25(2):138-143.

URL     [本文引用: 1]

In the light of geological characteristics and statistical as well as logging data of the coalbed in the eastern depression of Liaohe Oilfield, the authors used regression to make industrial analysis of coalbeds and coal ranks. Through the analysis of coalbed gas characteristics and the utilization of Langmuir's equation, sorption isotherm and neutron background value of coalbed gas, the formulae for calculating coalbed methane content were deduced. The techniques were proved to be effective by the practical well log data from the eastern depression in Liaohe Oilfield.

李贵红, 张鸿, 崔永君, 等.

基于多元逐步回归分析的煤储层含气量预测模型——以沁水盆地为例

[J]. 煤田地质与勘探, 2005,33(2):22-25.

[本文引用: 1]

Li G H, Zhang H, Cui Y J, et al.

A predictive model of gas content in coal reservoirs based on multiple stepwise regression analysis: a case study from Qinshui Basin

[J]. Coal Geology & Exploration, 2005,33(2):22-25.

[本文引用: 1]

Kim A G.

Estimating methane content of bituminous coal beds from adsorption data

[R]. United States Department of the Interior, Report of Investigations-Bureau of Mines 8245, 1977, 1-11.

[本文引用: 1]

Ahmed U, Johnston D, Colson L.

An advanced and integrated approach to coal formation evaluation

[C]// SPE22736, 1991: 755-770.

[本文引用: 1]

Hawkins J M, Schraufnagel R A, Olszewsk A J.

Estimating coalbed gas content and sorption isotherm using well log data

[C]// SPE24905, 1992: 491-501.

[本文引用: 1]

刘荣芳, 王建功, 刘文华, 等.

基于煤岩结构的煤层含气量测井评价方法

[J]. 中国煤层气, 2014,11(4):22-25.

[本文引用: 1]

Liu R F, Wang J G, Liu W H, et al.

CBM logging evaluation method based on coal seam structure

[J]. China Coal bed Methane, 2014,11(4):22-25.

[本文引用: 1]

孟召平, 郭彦省, 张纪星, 等.

基于测井参数的煤层含气量预测模型与应用

[J]. 煤炭科学技术, 2014,42(6):25-30.

[本文引用: 2]

Meng Z P, Guo Y S, Zhang J X, et al.

Application and prediction model of coalbed methane content based on logging parameters

[J]. Coal Science and Technology, 2014,42(6):25-30.

[本文引用: 2]

邵先杰, 孙玉波, 孙景民, 等.

煤岩参数测井解释方法——以韩城矿区为例

[J]. 石油勘探与开发, 2013,40(5):559-565.

[本文引用: 1]

Shao X J, Sun Y B, Sun J M, et al.

Logging interpretation of coal petrologic parameters: A case study of Hancheng mining area

[J]. Petroleum Exploration and Development, 2013,40(5):559-565.

[本文引用: 1]

黄兆辉, 邹长春, 杨玉卿, 等.

沁水盆地南部TS地区煤层气储层测井评价方法

[J]. 现代地质, 2012,26(6):1275-1282.

[本文引用: 2]

Huang Z H, Zou C C, Yang Y Q, et al.

Coal bed methane reservoir evaluation from wireline logs in TS District, southern Qinshui Basin

[J]. Geoscience, 2012,26(6):1275-1282.

[本文引用: 2]

金泽亮, 薛海飞, 高海滨, 等.

煤层气储层测井评价技术及应用

[J]. 煤田地质与勘探, 2013,41(2):42-45.

[本文引用: 1]

Jin Z L, Xue H F, Gao H B, et al.

Technology for evaluation of CBM reservoir logging and its application

[J]. Coal Geology & Exploration, 2013,41(2):42-45.

[本文引用: 1]

曹军涛, 赵军龙, 王轶平, 等.

煤层气含量影响因素及预测方法

[J]. 西安石油大学学报:自然科学版, 2013,28(4):28-34, 94.

[本文引用: 1]

Cao J T, Zhao J L, Wang Y P, et al.

Review of influencing factors and prediction methods of gas content in coal seams and prospect of prediction methods

[J]. Journal of Xi’an Shiyou University:Natural Science Edition, 2013,28(4):29-34, 94.

[本文引用: 1]

侯俊胜, 王颖.

神经网络方法在煤层气测井资料解释中的应用

[J]. 地质与勘探, 1999,35(3):41-45.

[本文引用: 1]

Hou J S, Wang Y.

Interpretation of well logging data for coalbed methane using BP neural network

[J]. Geology and Prospecting, 1999,35(3):41-45.

[本文引用: 1]

潘和平, 黄智辉.

煤层含气量测井解释方法探讨

[J]. 煤田地质与勘探, 1998,26(2):58-60.

[本文引用: 1]

Pan H P, Huang Z H.

Discussion on the interpretation method of coalbed methane content

[J]. Coal Geology & Exploration, 1998,26(2):58-60.

[本文引用: 1]

吴东平, 吴春萍, 岳晓燕.

煤层气测井评价的神经网络技术

[J]. 天然气勘探与开发, 2001,24(1):31-34.

[本文引用: 1]

Wu D P, Wu C P, Yue X Y.

Neural network of coal bed gas logging evaluation

[J]. Natural Gas Exploration & Development, 2001,24(1):31-34.

[本文引用: 1]

连承波, 赵永军, 李汉林, 等.

基于支持向量机回归的煤层含气量预测

[J]. 西安科技大学学报, 2008,28(4):707-709.

[本文引用: 1]

Lian C B, Zhao Y J, Li H L, et al.

Prediction of coal bed gas content based on support vector machine regression

[J]. Journal Center of Xi’an University of Science and Technology, 2008,28(4):707-709.

[本文引用: 1]

肖新平, 谢录臣, 黄定荣.

灰色关联度计算的改进及其应用

[J]. 数理统计与管理, 1995,14(5):27-30.

[本文引用: 1]

Xiao X P, Xie L C, Huang D R.

A modified computation method of grey correlation degree and its application

[J]. Journal of Applied Statistics and Management, 1995,14(5):27-30.

[本文引用: 1]

马保国, 成国庆.

一种相似性关联度公式

[J]. 系统工程理论与实践, 2000(7):69-71.

URL     [本文引用: 1]

构造了一种新的关联度计算公式 ,其基本思想与斜率关联度相同 ,它克服了斜率关联度的缺点 ,而保持了其优点 ,它适用于进行因素分析.

Ma B G, Cheng G Q.

A formula of similarity correlation degree

[J]. Systems Engineering-Theory & Practice, 2000(7):69-71.

[本文引用: 1]

张绍良, 张国良.

灰色关联度计算方法比较及存在问题分析

[J]. 系统工程, 1996,14(3):45-49.

[本文引用: 2]

Zhang S L, Zhang G L.

Comparison between computation modles of grey interconnet degree and analysis on their shortages

[J]. Systems Engineering, 1996,14(3):45-49.

[本文引用: 2]

李明凉.

灰色关联度新判别准则及其计算公式

[J]. 系统工程, 1998,16(1):68-70.

[本文引用: 1]

Li M L.

A new descriminant byelaw for grey interconnet degree and its calculation formulas

[J]. Systems Engineering, 1998,16(1):68-70.

[本文引用: 1]

田敏, 赵永军, 颛孙鹏程.

灰色系统理论在煤层气含量预测中的应用

[J]. 煤田地质与勘探, 2008,36(2):24-27.

[本文引用: 1]

Tian M, Zhao Y J, Zhuansun P C.

Application of grey system theroy in prediction of coalbed methane content

[J]. Coal Geology & Exploration, 2008,36(2):24-27.

[本文引用: 1]

张诚, 江琼.

基于GM(0,N)和RBF的小样本时程数据预测

[J]. 计算机工程与应用, 2005(5):62-64.

URL     [本文引用: 1]

RBF网络具有良好的非线性函数逼近能力,且收敛速度快,而灰色GM(0,N)静态模型对小样本线性数据的预测精度高,将两者有机结合起来,提出了一种新的小样本数据预测方法,即灰色RBF(GRBF)静态预测法.同时,为了提高RBF网络的预测精度和运算效率,文中采用ROLS和后向选择法来训练网络.将GRBF静态预测方法应用到小样本时程数据的预测中,实验结果表明,此预测方法快捷简便,精度高,具有良好的实用性.

Zhang C, Jiang Q.

The prediction of small sample time-displacement data based on GM(0,N) and RBF

[J]. Computer Engineering and Applications, 2005(5):62-64.

URL     [本文引用: 1]

夏宏泉, 谈德辉, 梁常宝, 等.

基于灰色神经网络的测井预测地层破裂压力

[J]. 西南石油学院学报, 1996,18(4):1-8.

[本文引用: 1]

Xia H Q, Tan D H, Liang C B, et al.

Prediction of formation fracture pressure based on grey artificial neural network logging

[J]. Journal of Southwest Petroleum Institute, 1996,18(4):1-8.

[本文引用: 1]

梁亚林, 原文涛.

测井预测煤层气含量及分布规律——以山西省沁水煤田为例

[J]. 物探与化探, 2018,42(6):1144-1149.

[本文引用: 1]

Liang Y L, Yuan W T.

The prediction of the content and distribution of coalbed gas: a case study in the Qinshui coalfield based on logging

[J]. Geophysical and Geochemical Exploration, 2018,42(6):1144-1149.

[本文引用: 1]

贾承造, 郑民, 张永峰.

中国非常规油气资源与勘探开发前景

[J]. 石油勘探与开发, 2012,39(2):129-136.

[本文引用: 1]

Jia C Z, Zheng M, Zhang Y F.

Unconventional hydrocarbon resources in China and the prospect of exploration and development

[J]. Petroleum Exploration and Development, 2012,39(2):129-136.

[本文引用: 1]

国土资源部油气资源战略研究中心. 全国石油天然气资源评价[M]. 北京: 中国大地出版社, 2010.

[本文引用: 1]

Ministry of Land and Resources, Strategic Research Center of Oil and Gas Resources. National oil and gas resource assessment[M]. Beijing: China Land Press, 2010.

[本文引用: 1]

张胜利, 陈晓东.

控制煤层气含量及可采性的主要地质因素

[J]. 天然气工业, 1997,17(4):15-19.

URL     [本文引用: 2]

煤层含气量及煤层可采性是决定煤层气能否成藏的重要条件.研究表明,控制煤层气含量的主要地质因素有:煤变质程度,埋藏深度,煤层顶、底板岩性,以及断裂构造情况等,其中煤变质程度起着根本性作用.控制煤层气可采性的主要地质因素有:煤层渗透性、煤等温吸附特征及煤的含气饱和程度,其中煤层渗透率是最主要的影响因素.

Zhang S L, Chen X D.

Geological controls on content and producibility of coal seam gas

[J]. Natural Gas Industry, 1997,17(4):15-19.

URL     [本文引用: 2]

The geological controls on content and producibility of coal seam gas are studied.The studyresult indicates that geological controls on content of coal seam gas include clal metamir phic degree,coal buried depth,coal roof and Hoor lithologies,and faults and those on prokucibility include coal permeability,coal isothetrmal adsorption and gas saturation.

雍世和, 张超馍. 测井数据处理与综合解释[M]. 东营: 中国石油大学出版社, 2007: 134-139.

Yong S H, Zhang C M. Logging data processing and comprehensive interpretation[M]. Dongying: China University of Petroleum Press, 2007: 134-139.

/

〈 〉

京ICP备05055290号-3
版权所有 © 2021《物探与化探》编辑部
通讯地址：北京市学院路29号航遥中心 邮编：100083
电话：010-62060192；62060193 E-mail：whtbjb@sina.com