晉城礦區3號煤層深部含氣量預測

姜偉

摘 要：為了探討深部煤層含氣量的有效預測方法，將支持向量機學習方法應用到了預測模型的建立中。以晉城礦區3號煤層為研究對象，以淺部煤層數據為基礎，建立了含氣量預測模型，并用煤層深部實測數據對模型進行了檢驗，精度可滿足生產需要，這為煤儲層深部含氣量預測提供了新思路。

關鍵詞：煤層深部含氣量；壓裂技術；建模樣本；Matlab

中圖分類號：P618.13 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.15.112

煤層含氣量是煤儲層評價的基本參數之一，是開發潛力評價、有利區預測和選擇開發方案重要依據。結合晉城礦區煤層氣井的生產實踐，當煤層埋深超過800 m時，受地應力的影響，壓裂縫延伸的長度和高度都受到了限制，壓裂效果大打折扣。隨著連續油管分段壓裂、滑套工具串分段壓裂等新型壓裂技術的成熟，壓裂改造能力有了很大的提高。在此情況下，人們開始關注后備區埋深大于800 m的區域，但由于前期深部測試樣品較少，且對深部煤層含氣量的分布規律認識不足，所以，對煤儲層深部含氣量的預測是非常重要的。

1 支持向量機學習法

支持向量機學習法是由Vapnik率先提出的，是基于統計學理論的一整機器學習方法。其基本思想是高維特征空間內的線性回歸，是從線性可分條件下的最優分類超平面發展而來的。給定建模樣本數據點集：

. （1）

式（1）中：xi為輸入變量；yi為目標變量。

通過機器學習，可找到一個非線性函數f（x）。此時，不僅應滿足yi=f（xi），且對于檢驗樣本集{xn+1，xn+2，…，xn+m}而言，其預測值誤差應在可接受的范圍內。在實際應用中，沒必要求得f（x）的解析表達式，只需要借助Matlab軟件的SVM工具箱即可。f（x）可通過核函數的選擇和相關參數的選取來確定。結合經驗選取合適的核函數后，應調節相關參數，直至預測精度令人滿意為止。

2 建立含氣量預測模型

晉城礦區是19個首批煤炭國家規劃礦區之一，是我國重要的無煙煤生產基地，位于沁水盆地的東翼南端，隸屬于沁水煤層氣田。礦區主要煤系地層為二疊系下統山西組（P1s）和石炭系上統太原組（C3t），平均厚度為136.02 m。含煤15層，煤層總厚度為14.67 m，含煤系數為10.8%.3號煤層位于山西組中下部，上距K8砂巖約30 m，下距9號煤層48 m。煤厚4.45～8.75 m，平均厚度為6.31 m，含氣量為15.3～27.2 m3/t，為目前主要開采層位。為了對3號煤層深部含氣量進行預測，根據前期煤田勘探孔資料，選取了7個參數（煤層厚度、儲層溫度、鏡質組最大反射率、煤層灰分含量、儲層流體壓力、煤層埋藏深度、直接頂板厚度）作為影響煤儲層氣含量的因素進行數學建模。晉城礦區3號煤層的參數如表1所示。

以9個埋深小于800 m的數據樣本建立了預測模型，并以上述7個影響因素為預測模型的輸入變量，含氣量為輸出變量。在Matlab軟件的SVM工具中進行處理，通過多次模型參數試驗，最終核函數選用了徑向基核函數，不靈敏參數ε的值選擇為0.05，參數γ的值選擇為0.1，懲罰參數C的值選擇為10 000.應用3個埋深大于800 m的樣本對預測結果進行檢驗，以檢查預測精度是否滿足要求。預測值的絕對誤差小于0.05 m3/t，相對誤差小于3%.神經網絡和多元線性回歸為目前較為常用的含氣量預測方法。分別建立了3個隱藏層，建立了持續次數為500次的神經網絡模型和7元線性回歸模型。通過預測誤差的對比可以看出，支持向量機學習預測精度的方法優于其他兩種方法。其原因有2點：①數據樣本小。訓練樣本只有9個，神經網絡模型未經過充分的訓練，易陷入局部極值，②部分次要的輸入變量導致影響因素過于離散，最終使預測結果的精度降低。具體如表2所示。

3 結束語

綜上所述，模型預測精度法優于神經網絡法和線性回歸法，可支持向量機方法對小樣本、非線性、多因素數據的建模，為深部含量預測提供了新思路。因此，在煤層氣勘探程度較低的區域，可基于煤田鉆孔資料對煤儲層含氣性進行初步評價。

參考文獻

[1]連承波，趙永軍，漢林，等.煤層含氣量的主控因素及定量預測[J].煤炭學報，2005，30（06）.

[2]方瑞明.支持向量機理論及其應用分析[M].北京：中國電力出版社，2007.

[3]孟召平，田永東，雷旸.煤層含氣量預測的BP神經網絡模型與應用[J].中國礦業大學學報，2008，37（04）.

〔編輯：張思楠〕