构造煤厚度定量预测技术新进展_马丽.pdf

第 46 卷 第 5 期煤田地质与勘探Vol. 46 No.5 2018 年 10 月COALGEOLOGY 2. Key Laboratory of CBM Resource 3. School of Resource and Earth Science, China University of Mining and Technology, Xuzhou 221116, China; 4. School of Computer Science, China University of Mining and Technology, Xuzhou 221116, China Abstract TDCsTectonically deed coal are obviously different from normal coal in physical characteristics. It is one of the key factors needed to be considered in CBMcoalbed methane reservoir modeling. In order to figure out the issue of TDC thickness prediction, we analyzed the recent progress in TDC identification and thickness prediction using well logs and seismic attribution as s. Compared with the interactive recognition using well logs, the for identifying TDCs based on wavelet multi-scale analysis and cluster analysis has higher accuracy and better reliability. Combining with seismic attributes and machine learning algorithms, one can produce a deterministic prediction of TDC thickness with more accuracy. Combining with seismic attributes and geostatistical stochastic simulation, one can produce a non-deterministic prediction of TDC thickness with higher reliability. Although the prediction of TDC thickness has been proceeded for many years, the prediction of TDC types and spatial characteristics still need further study. Keywords tectonic coal; identification; well log; seismic attribute; prediction 储层地质建模是煤层气开发的地质基础，包括 储层地质特征图形显示和井间储层特征预测等两部 分。储层地质特征图形显示技术成熟，已有多款商 业软件可以实现。但井间储层特征预测是储层地质 建模的难点，是目前主要的攻关对象[1-2]。对于常规 油气储层来说，通常以地震反演资料为基础预测井 ChaoXing 第 5 期马丽等 构造煤厚度定量预测技术新进展67 间储层特征。但对于薄且复杂的煤层气储层来说， 由于受分辨率的限制，地震反演仍然无法准确预测 井间储层特征。 构造煤是在地质历史时期，原生煤经过物理和 化学作用，原生结构遭到破坏的一类煤体，主要包 括碎裂煤、碎粒煤和糜棱煤[3-4]。由于构造煤和原生 煤间物性差异较大，在储层建模时如果不考虑构造 煤因素，必然造成所建立储层模型与实际储层差异 过大，导致抽排采方案不符合实际情况[5-7]。为此， 构造煤预测、特别是构造煤厚度预测，是煤层气储 层预测的重要方面。 本次针对测井曲线识别技术、机器学习预测技 术和地质统计学预测技术，详细回顾综合利用测井 曲线和地震属性等多源、多尺度数据，系统分析煤 层构造煤厚度定量预测技术的现状。 1构造煤测井曲线识别 近年来，学术界利用超声速度测试和压汞法等 实验方法，对构造煤和原生煤的物性特征进行了深 入的实验研究。研究结果表明，构造煤和原生煤间 存在着明显的弹性、电性、强度和渗透率等物性特 征差异[8-13]。对于原生煤来说，其纵横波速度较高、 密度较大、品质因子较大。对于构造煤来说，其纵 横波速度较低、密度较小、品质因子较小。除上述 弹性性质差异外，构造煤和原生煤在电性上也存在 着明显的差异。由于构造煤中裂隙较发育，在钻孔 潮湿环境下，其电阻率明显小于原生煤。另外，由 于构造煤的质地较松软，在钻探时会出现明显的扩 孔现象，导致井径增大。总之，构造煤和原生煤间 存在着较明显的弹性、电性和硬度差异，是构造煤 测井曲线识别的物理基础。 由于构造煤和原生煤在弹性、电性和硬度等方 面存在明显差异，通常使用电阻率、密度、自然伽 马和声波等测井曲线为输入， 人机交互识别构造煤。 不同种类构造煤间的渗透率、电性等物性虽有一定 差异，但人机交互识别很难准确区分。为此，相关 学者将小波多尺度分析和聚类分析等智能算法引入 到构造煤测井曲线识别中[14-18]。由于原始测井曲线 通常都含有一定的高频噪声，首先通过小波多尺度 分析，剔除小尺度分量，从而消除高频噪声的影响。 再以多尺度分析的低尺度和中等尺度分量为数据输 入， 利用聚类分析的方法， 将煤层自动划分为原生煤、 碎裂煤、 碎粒煤、 糜棱煤和泥质夹矸等， 如图 1 所示。 其中，LLD 为归一化的电阻率曲线，DEN 为归一化 的密度曲线，GR 为归一化的自然伽马曲线，AC 为 归一化的声波时差曲线。通过将小波多尺度分析和 聚类分析相结合，可以明显提高构造煤的识别精度 和准确性。 图 1构造煤测井曲线识别实例归一化后 Fig.1TDC identification with well logs 2机器学习预测技术 以多种测井曲线为输入，利用小波多尺度分析 和聚类分析方法可以识别出精度较高的构造煤及其 厚度。但是，煤层气勘探区的钻孔分布密度通常较 低，构造煤测井曲线识别技术只能识别钻孔位置的 构造煤，无法识别井间构造煤厚度变化。不同于钻 井，三维地震数据的密度远高于钻孔密度，网格密 ChaoXing 68煤田地质与勘探第 46 卷 度一般能达到 5 m5 m。将高密度的地震数据和高 可靠性的测井数据相结合，结合两者的优势，综合 预测井间构造煤厚度是当前的研究热点。 2.1人工神经网络预测 人工神经网络是模拟人脑结构和功能的一种数 学模型，是一种非线性处理系统。尽管单个神经元 的结构和功能非常有限，但大量神经元构造的网络 系统能够实现非常复杂的功能。 BP Backpropagation 神经网络是一种早期的神经网络算法，已被大量应 用于模式识别、图像处理、智能控制和地学信息预 测等诸多领域。但随着 BP 神经网络的大范围应用， 其容易陷入局部最小化的缺点逐渐突显。为了克服 BP 神经网络的缺陷， 学界将模糊系统和神经网络相 结合，提出了模糊神经网络Fuzzy Neural Network, 简称 FNN[19-20]。其中，基于 T-S 模型的模糊神经网 络应用范围最广，其拓扑结构如图 2 所示。其中，I 为输入层，II 为模糊化层，III 为模糊规则层，IV 为 输出层。 图 2T-S 模型模糊神经网络拓扑结构 Fig.2Topology of fuzzy neural network of T-S model 为了验证模糊神经网络预测构造煤厚度的可行 性，Wang Xin 等[20]以阳泉矿区某采区 15 号煤层为 目标区进行实例预测。在约 3.5 km2的研究区内有 10 个钻孔揭露了 15 号煤层，煤层底板埋深如图 3a 所示。根据钻孔揭露，煤层厚度介于 6.310.2 m， 平均 8.3 m；煤层直接顶、底板为泥岩或砂质泥岩， 基本顶、底板为中、细粒砂岩。利用图 1 的构造 煤识别技术，分别识别 15 号煤中的构造煤厚度 图 3，如“”下标所示。由图可知，研究区中构造 煤较厚区域主要分布在背斜轴附近。 为了预测全区构造煤厚度， 提取 15 号煤层的振 幅、频率、相位、谱分解和甜面等地震属性。将如 图 3b 所示的瞬时振幅属性与图 3a 进行对比，发现 构造煤较厚区域的振幅属性值较大，具有正相关关 系。同理，研究区中其他属性与构造煤厚度也具有 一定的相关性。为此，以井旁地震道地震属性构建 训练集，其他地震道地震属性构建预测集。将训练 集数据输入 FNN 模糊神经网络，训练获得 FNN 构 造煤厚度预测模型。 将预测集输入 FNN 构造煤厚度 预测模型， 可获得如图 3c 所示的研究区构造煤厚度 图。通过对比，发现 FNN 预测的构造煤厚度与测井 曲线识别的构造煤厚度基本一致。 2.2支持向量机预测 和人工神经网络不同，回归型支持向量机 Support Vector Machine, 简称 SVR通过核函数变 换，首先将输入数据变换到多维空间。通过寻找最 优超平面，使所有训练样本离该面的误差最小，从 而实现回归预测，如式1所示[21]。其中，X 为输入 向量，W 为可调的权值向量，X为非线性映射函 数，b 为常数。由于 SVR 具有出色的小样本和非线 性处理能力，已被用于划分城市功能区、预测灰尘 聚集区和地质资料预测等领域，并取得了理想的应 用效果。由于研究区钻孔较少，具有出色小样本处 理能力的 SVR 非常适合研究区预测。 T fbXWX1 为了验证 SVR 预测构造煤厚度的可行性， 陈同 俊等[22]以阳泉矿区某采区 15 号煤层为目标区进行 实例预测，如图 3a 所示。通过提取 50 Hz 谱分解属 性、90 Hz 谱分解属性和甜面属性，结合测井曲线 识别的构造煤厚度，构建训练集。通过训练，发现 当核函数选为径向基函数、惩罚因子取 0.13、方差 取 0.13 时，预测效果最好。为此，将上述参数设置 为 SVR 预测模型参数， 输入训练集训练生成构造煤 预测模型。将井间道地震属性构成的预测集输入预 测模型， 可以获得如图 3d 所示的研究区构造煤厚度 图。将图 3d 与图 3a 进行对比，发现钻孔位置预测 的构造煤厚度与测井曲线识别的厚度基本一致，并 且符合厚构造煤区域位于背斜轴附近的地质规律。 通过将图 3d 和图 3c 相对比，发现除个别位置有细 微差别外，两者预测的构造煤厚度总体一致。 虽然两种方法原理不同，输入的地震属性不尽 相同，但两者的预测结果基本一致，可以相互印证。 另外，和 Wang Xin 等[10]采用极限学习机的预测结 果也极为相似。因此，只要选择的地震属性和参数 适当，机器学习方法可以获得精度较高的构造煤厚 度的定量预测结果。 3地质统计学预测技术 对于构造煤厚度的机器学习预测来说，神经网 ChaoXing 第 5 期马丽等 构造煤厚度定量预测技术新进展69 图 3构造煤厚度机器学习预测 Fig.3TDC thickness prediction with machine learning 络和支持向量机算法都需要训练已知数据生成预测 模型，再以预测模型预测未知数据。其本质是数据 驱动，不需要考虑研究区构造煤分布的地质规律。 另一方面，上述方法预测的结果为一确定值，即确 定性预测。不同于上述数据驱动预测方法，地质统 计学预测通过变差函数建模，表征构造煤厚度和地 震属性的空间变化规律，从而实现研究区构造煤厚 度的预测。 3.1变差函数建模 变差函数h是典型的表征空间两点数据相关 性方法[23-24]。其计算变量 zu和 zuh在位置 u 和 uh 间的差异性，如式2所示。 2 1 1 [ ] 2 N zz N       h huuh h 2 式中h 为从位置 u 始到位置 uh 止的向量， zuα–zuαh是属性 Z 随位置变化 h 的增量。对于 实际采区来说，由式2计算得到结果称为实验变差 函数，通常是离散值，并具有一定的噪声。为了克 服实验变差函数的上述缺陷，通常需要对实验变差 函数进行建模。以图 3 所示地震属性和构造煤厚度 占比构造煤厚度/煤层厚度计算相应变差函数，如 图 4 所示。其中，黑点为实验变差函数，黑线为利 用式3所示球函数构建的变差函数模型[24]。对于瞬 时振幅来说，由于其数据点间距小5 m5 m、数据 量大371378，其计算的实验变差函数规律性强、 噪声小。对于构造煤厚度占比来说，由于其来源于 测井曲线识别， 数据点间距大约 500 m、 数据量小， 其计算的实验变差函数规律性较弱、噪声较大。 3 0 0 31 [ ] 22 cca aa cc        当≤ 其他 hh h h3 式中a 为变程range， c0为金块效应nugget， c0c 为基台值sill。 3.2随机模拟方法 相对于神经网络和支持向量机的确定性预测来 说， 以变差函数为基础的地质统计学随机模拟， 可以 通 过 N 次 模 拟 获 得 N 个 构 造 煤 厚 度 分 布 实现 Realizations。通过对 N 个实现进行概率分布分析， 可以获得研究区构造煤厚薄的概率值， 是非确定性预 测。对于某次实现来说，其模拟过程如表 1 所示[24]。 ChaoXing 70煤田地质与勘探第 46 卷 图 4实验变差函数及相应建模结果 Fig.4Experimental variogram and corresponding modeling result 表 1构造煤分布随机模拟流程表 Table 1Flow chart of TDC stochastic simulation 序号流程说明 1定义随机路径遍历所有地震网络 2遍历沿路径的每个网格点 3 提取网格点附近符合条件的实测和模拟构造煤厚度 占比值 4 估计高斯化的条件累计概率密度函数CCDF，其期 望和方差由克里金插值给出 5 随机在 CCDF 的取值范围[0,1]间取值 di， 提取相应的 模拟值 hi图5 6将模拟值 hi赋予网格点 7结束循环 3.3预测实例 依据随机模拟理论，当随机模拟 50 个实现时， 随机模拟的概率分布可以替代实际概率分布。 为此， 对于如图 3a 所示的研究区， 利用图 4 所估计的变差 函数，按照表 1 所示的流程随机模拟 100 个构造煤 图 5构造煤厚度占比随机模拟示意图 Fig.5Schematic stochastic simulation for TDC ratio 厚度占比实现，保证随机模拟结果的可靠性[25-26]。 当构造煤厚度占比小于 0.10 时，构造煤对煤层物性 的影响较小。当构造煤厚度占比大于 0.33 时，构造 煤对煤层物性影响很大。为此，将 0.10 和 0.33 分别 设定为构造煤厚薄阈值，通过概率分布分析，获得 相应的概率，如图 6 所示。图中，“”为钻孔位置， “”上部标注为钻孔号， 下部标注为实测构造煤厚度 图 6构造煤厚度占比非确定性概率预测 Fig.6Uncertainty prediction of TDC ratio ChaoXing 第 5 期马丽等 构造煤厚度定量预测技术新进展71 占比。由图 6a 可知，在研究区右下角和中间偏左区 域，厚度占比小于 0.10 的概率较大；其他区域，厚 度占比小于 0.10 的概率较小，和测井曲线识别的情 况一致。 由图 6b 可知， 在研究区右上角和右侧区域， 厚度占比大于 0.33 的概率较大，其他区域厚度占比 的概率较小，和测井曲线识别的情况一致。 4结 论 a. 以电阻率、密度、超声和自然伽马等测井曲 线为输入，综合利用小波多尺度分析和聚类分析方 法，可以较准确地识别煤层中原生煤、构造煤和夹 矸等厚度。 b. 随着机器学习和地质统计学技术的快速发 展，将横向高密度地震属性和纵向高分辨率的测井 曲线识别相结合，可以获得精度较高的构造煤厚度 定量预测结果。 c. 人工神经网络和支持向量机等机器学习算 法以数据为驱动，不考虑地质规律，输出是确定值， 属于确定性预测。 d. 地质统计学预测通过变差函数建模，表征构 造煤厚度和地震属性空间变化特征。 通过多次模拟， 可获得多个构造煤厚度占比实现，通过概率分析可 获得构造煤厚薄的概率分布，属于非确定性预测。 e. 机器学习算法对训练样本集要求较高，只有 当训练样本集足够大时，预测结果才可靠。地质统 计学预测对于变差函数的建模准确性要求较高，只 有建立准确的变差函数模型，随机模拟的实现才能 表征真实的概率分布。 f. 构造煤在煤层中的分布较为复杂，除了其厚 度对煤层气开采有较大影响外，其类型和空间位置 也有较大影响，需要在今后的研究中加以解决。 参考文献 [1] 吴胜和， 李宇鹏. 储层地质建模的现状与展望[J]. 海相油气地 质，2007，12353–60. WU Shenghe， LI Yupeng. Reservoir modeling Current situation anddevelopmentporspect[J].MarineOriginPetroleum Geology，2007，12353–60. [2] 刘文岭. 地震约束储层地质建模技术[J]. 石油学报，2008， 29164–68. LIU Wenling. Geological modeling technique for reservoir constrained by seismic data[J]. Acta Petrolei Sinica， 2008， 291 64–68. [3] CAO Y X，DAVISA，LIU R X，et al. The influence of tectonic deation on some geochemical properties of coals A possible indicator of outburst potential[J]. International Journal of Coal Geology，2003，53269–79. [4] JIANG Bo，QU Zhenghui，WANG G G X，et al. Effects of structuraldeationonationofcoalbedmethane reservoirs in Huaibei coalfield，China[J]. International Journal of Coal Geology，2010，823/4175–83. [5] WANG Shugang，ELSWORTH D，LIU Jishan. Permeability evolution during progressive deation of intact coal and implicationsforinstabilityinundergroundcoalseams[J]. International Journal of Rock Mechanics and Mining Sciences， 2013，5834–45. [6] CHEN Zhongwei，LIU Jishan，ELSWORTH D，et al. Roles of coal heterogeneity on evolution of coal permeability under unconstrained boundary conditions[J]. Journal of Natural Gas Science and Engineering，2013，1538–52. [7] CAPPAF，RUTQVIST J. Modeling of coupled deation and permeability evolution during fault reactivation induced by deep undergroundinjectionofCO2[J].InternationalJournalof Greenhouse Gas Control，2011，52336–346. [8] MORCOTE A ， MAVKO G ， PRASAD M. Dynamic elastic properties of coal[J]. Geophysics，2010，756227–234. [9] TENG J，YAO Y，LIU D，et al. uation of coal texture distributions in the southern Qinshui basin ， North China Investigation by a multiple geophysical logging [J]. International Journal of Coal Geology，2015，1409–22. [10] WANG Xin ， LI Yan ， CHEN Tongjun ， et al. Quantitative thickness prediction of tectonically deed coal using extreme learning machine and principal component analysis A case study[J]. Computers and Geosciences，2017，10138–47. [11] WU Haibo，DONG Shouhua，LI Donghui，et al. Experimental studyondynamicelasticparametersofcoalsamples[J]. International Journal of Mining Science and Technology，2015， 253447–452. [12] WANG Yun ， XU Xiaokai ， YANG Deyi. Ultrasonic elastic characteristics of five kinds of metamorphic deed coals under room temperature and pressure conditions[J]. Science China-Earth Sciences，2014，5792208–2216. [13] 王赟， 许小凯， 张玉贵. 六种不同变质程度煤的纵横波速度特 征及其与密度的关系[J]. 地球物理学报，2012，5511 3754–3761. WANG Yun，XU Xiaokai，ZHANG Yugui. Characteristics of P-wave and S-wave velocities and their relationships with density of six metamorphic kinds of coals[J]. Chinese Journal of Geophysics，2012，55113754–3761. [14]MARFURT K J，KIRLIN R L. Narrow-band spectral analysis and thin-bed tuning[J]. Geophysics，2001，6641274–1283. [15] PEREZ-MU OZ T， VELASCO-HERNANDEZ J， HERNANDEZ- MARTINEZ E. Wavelet trans analysis for lithological characteristics identification in siliciclastic oil fields[J]. Journal Appllied Geophysisc，2013，98298–308. ChaoXing 72煤田地质与勘探第 46 卷 [16] KAUFMAN L，ROUSSEEUW P J. Finding Groups in Data[M]. New YorkJohn Wiley Sons，2008. [17] MAHMOUD M ， ELKATATNY S ， RAMADAN E ， et al. Developmentoflithology-basedstaticYoung’smodulus correlations from log data based on data clustering technique[J]. Journal of PetroleumScience and Engineering， 2016， 146 10–20. [18] 马国栋，陈同俊，崔若飞. 测井曲线识别构造煤实例研究[J]. 地球物理学进展，2017，3231208–1216. MA Guodong，CHEN Tongjun，CUI Ruofei. Identification of tectonically deed coal using well logs A case study[J]. Progress in Geophysics，2017，3231208–1216. [19] ALIZADEH B，NAJJARI S，KADKHODAIE-ILKHCHI A. Artificial neural network modeling and cluster analysis for organic facies and burial history estimation using well log data A case study of the South Pars Gas Field，Persian Gulf，Iran[J]. Computers Geosciences，2012，45261–269. [20] WANG Xin，CHEN Tongjun. Quantitative prediction of tectonic coal thickness based on FNN and seismic attributes[J]. Journal of Ination and Computational Science ， 2014 ， 1111 3653–3662. [21] CHANG C C，LIN C J. LIBSVMA Library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology，2011，231–27. [22] 陈同俊，王新，管永伟. 基于 SVR 和地震属性的构造煤厚度 定量预测[J]. 煤炭学报，2015，4051103–1108. CHEN Tongjun，WANG Xin，GUAN Yongwei. Quantitative prediction of tectonic coal seam thickness using support vector regression and seismic attributes[J]. Journal of China Coal Society，2015，4051103–1108. [23] GOOVAERTSP.Geostatisticsfornaturalresources uation[M]. New YorkOxford University Press，1997. [24] REMY N，BOUCHER A，WU J. Applied geostatistics with SGeMSA user’s guide[M]. New YorkCambridge University Press，2009. [25] CHEN T J ， WANG X. Thickness prediction of tectonically deed coal using calibrated seismic attributes Acase study[J]. ASEG Extended Abstracts of 2016，201611–5. [26] CHEN T J ， WANG X. Quantitative thickness estimate of tectonicallydeedcoalusingseismicamplitudeand sequential Gaussian simulation[C]//Yogyakarta EAGE-HAGI 1st AsiaPacificMeetingonNearSurfaceGeoscience Engineering，2018. 责任编辑 聂爱兰 ChaoXing