CN117171555A - 一种基于AdaBoost的深部煤层气缝网形成综合判别方法 - Google Patents

Abstract

本发明提供了一种基于AdaBoost算法的深部煤层气缝网形成综合判别方法，包括：先根据现场取得的全直径煤芯进行全直径压裂物理模拟试验，模拟出不同煤芯的缝网形成情况作为样本数据集；然后通过计算样本数据集中缝网形成情况与不同特征因素间的灰色关联系数，优选出关联度较高的主控因素；然后利用极差变换标准化对每个主控因素的量纲进行标准化处理，并将标准化后的样本数据划分为训练集和测试集；最后利用AdaBoost算法获得深部煤层气缝网形成综合判别模型，根据该模型即可判断煤层气缝网形成情况。本发明的方法，能够有效的判断出该深部煤层能否形成压裂缝网且预测准确率达到85％以上，对现场的深部煤层气开发具有一定的实际意义。

Description

一种基于AdaBoost的深部煤层气缝网形成综合判别方法

技术领域

本发明涉及气藏开发技术领域，具体涉及一种基于AdaBoost的深部煤层气缝网形成综合判别方法。

背景技术

深部煤层气是指储存于埋深1500米以深煤层中的烃类气体，资源量远超浅部煤层气(埋深1500米以浅)；经中石油评价，仅鄂尔多斯盆地深部煤层气的资源量(23万亿方)就与全国浅部煤层气的资源量相当。我国煤层气历经近40年的规模开发，浅部煤层气产业已取得巨大成就，技术也取得显著进步，但单井产量低一直是制约浅部煤层气开发和产业发展的瓶颈，主要技术根源是煤层气压裂难以形成常规裂缝，且有效裂缝短。由于技术水平限制等原因，深部煤层气开发一直是国内外煤层气开发的禁区。

受页岩气体积压裂的启发，深部煤层气开发需要像页岩气开发一样形成缝网，以避免走浅部煤层气的老路。事实上，深部煤层气开发之所以一直是国内外煤层气开发的禁区，一方面是由于技术水平限制等原因，另一方面却是思想的禁锢，缺乏足够的大胆创新。长久以来，在传统的观念中，煤层无法像页岩一样形成缝网，是因为页岩属于典型的脆性岩石，而煤层是典型的塑形地层，按照页岩压裂形成缝网的判别标准，深部煤层是不具备能够形成缝网的客观条件的。但是，事实并非如此，一些学者发现由于深部煤层本质不同于页岩，在深部煤层厚度大(平均在6m以上)，含气量高(平均25.2m3/t)等条件下，深部煤层是可能能够压裂形成缝网的。

因此面对浅部煤层气开发的严峻形势和国家对油气的重大需求，我国亟待开展深部煤层气缝网压裂的创新研究和大胆试验并建立一套经济便捷的深部煤层气缝网形成综合判断方法，以有效指导现场对深部煤层气的开发，助力突破禁区。

发明内容

针对上述问题，本发明提供一种基于AdaBoost的深部煤层气缝网形成综合判别方法，采用物模实验、统计分析和综合评价的研究方式，在输入深部煤层特征参数后，能够有效的判断出该深部煤层能否形成压裂缝网且预测准确率达到85％以上，对现场的深部煤层气开发具有一定的实际意义。

本发明采用下述的技术方案：

一种基于AdaBoost的深部煤层气缝网形成综合判别方法，其特征在于，包括以下步骤：

步骤1：获取全直径煤芯并进行全直径压裂物理模拟试验，获得煤芯在破裂压力条件下的缝网形成情况，同时将其缝网形成情况和岩心特征、压裂液特征形成样本数据集；

步骤2：通过计算样本数据集中缝网形成情况与不同特征因素间的灰色关联系数，优选出关联度较高的主控因素；

步骤3：利用极差变换标准化对每个主控因素的量纲进行标准化处理，并将标准化后的样本数据集的至少一部分作为训练集；

步骤4：利用AdaBoost算法、基于步骤3中的训练集，获得深部煤层气缝网形成综合判别模型，利用该模型即可判断煤层气缝网形成情况。

本发明的有益效果是：

本发明在保证便于现场实施的基础上，在输入深部煤层特征参数后，能够有效的判断出该深部煤层能否形成压裂缝网且预测准确率达到85％以上，能够有效指导现场深部煤层的缝网压裂，对于深部煤层气的开发具有可观的潜在经济价值，有利于广泛使用。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。

图1为本发明研究技术路线图；

图2为本发明全直径压裂物理模拟试验过程中压力曲线图；

图3为本发明深部煤层煤芯压后缝网形态特征示意图；

图4为本发明钻孔示意图；

图5为本发明射孔示意图；

图6为本发明深部煤层气缝网形成综合判别模型图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1至图6所示，本发明提供一种技术方案：一种基于AdaBoost的深部煤层气缝网形成综合判别方法，包括有以下步骤：

步骤1：获取全直径煤芯并进行全直径压裂物理模拟试验，获得煤芯在破裂压力条件下的缝网形成情况，同时将其缝网形成情况和岩心特征、压裂液特征形成样本数据集。

具体的，全直径压裂物理模拟试验包括以下步骤：

(1)将全直径天然煤芯样品利用煤+顶板/底板的组合方式，通过高强度胶进行粘接组合。其中，本实施例中所获取的煤芯的厚度约为100mm，顶板和底板的厚度均约为50mm；

(2)在全直径煤芯上钻孔，在全直径煤芯上钻孔以模拟压裂井，同时在模拟压裂井上射孔，同时，模拟压裂井直径取为8mm，井深基于实际岩心组合高度以及所需射孔深度动态调整；实质上，在本步骤中，模拟压裂井的直井和井深通常根据实际情况进行设置，需要考虑煤芯的厚度、射孔深度等条件。

(3)完成钻孔与射孔后，使用粘胶填充井孔。然后***井筒，但***前必须暂时封堵射孔，避免粘胶渗入射孔堵住通道，甚至进入井筒，该过程是模拟固井过程。待胶完全固化，才能正式进行物模试验；

(4)利用10％氨基磺酸压裂液对组合样本进行压裂模拟，并将组合样本压裂后的岩芯整体作直角剖面，观察裂缝的形态，记录是否形成缝网作为样本数据集，部分样本数据如表1所示。

表1部分样本数据

在获取了上述的缝网形成情况后，还需要获取岩心特征、压裂液特征。岩心特征包括脆性指数、石英含量、断裂韧性、逼近角、结构弱面、成岩作用、割理密度，压裂液特征包括酸可溶物含量、压裂液粘度。其中，岩心特征为岩心实验获得，缝网形成情况为物模实验后，剖开岩心样本观测获得。

最后，将上述煤芯的缝网形成情况、岩心特征和压裂液特征形成样本数据集，基于准确性和实际生产过程中的成本问题，一般获取30-50个样本组成样本数据集。

步骤2：通过计算样本数据集中缝网形成情况与不同特征因素间的灰色关联系数，优选出关联度较高的主控因素,具体包括以下步骤：

(1)将深部煤层煤芯是否形成缝网作为母序列，将特征参数作为子序列，即

x_i＝{x_i(k)|k＝1,2,…,m},i＝1,2,…,n

x₀＝{x₀(k)|k＝1,2,…,m}

式中，k表示特征参数编号，m表示特征参数最大数量；i表示样本数；x₀表示是否形成缝网；x_i表示特征参数向量。 (1)

(2)对特征参数作均值变换,公式为

(3)计算缝网形成情况与不同特征参数间的灰色关联系数，优选出关联度较高的主控因素，其中灰色关联系数的计算公式为：

式中，ρ为系数，取0.5；ξ_i(k)表示不同特征的灰色关联系数矩阵，r_i表示不同特征的灰色关联系数；w_k表示不同特征的权重。

缝网形成情况与不同特征参数间的灰色关联系数如表2所示：

表2缝网形成情况与不同特征参数间的灰色关联系数

特征参数	关联系数	特征参数	关联系数	特征参数	关联系数
						脆性指数	0.6819	逼近角	0.0137	割理密度	0.5698
石英含量	0.0747	结构弱面	0.1754	酸可溶物含量	0.5476
						断裂韧性	0.4496	成岩作用	0.1526	压裂液粘度	0.7350

优选出深部煤层气缝网形成的5个主控因素，包括压裂液粘度、脆性指数、割理密度、酸可溶物含量和断裂韧性。

步骤3：利用极差变换标准化对每个主控因素的量纲进行标准化处理，并将标准化后的样本数据集的至少一部分作为训练集，同时，为了验证本实施例方法的效果，将剩余部分数据作为测试集。本步骤具体包括以下步骤：

(1)主控因素可分为正向指标、逆向指标两种，正向指标即指标值越大则裂缝复杂度越高，逆向指标则恰好与之相反，对于正向指标的极差变换标准化为

对于逆向指标的极差变换标准化为

式中，x_i表示特征参数向量，S_i表示极差变换标准化后的特征参数向量。

(2)将标准化后的样本数据划分为训练集和测试集,划分后的训练集和测试集如表3所示，其中1表示形成缝网，-1表示不形成缝网。

表3训练集、测试集划分结果

步骤4：利用AdaBoost算法训练出多个弱分类器并不断迭代更新权值，再将弱分类器线性组合得到强分类器，该强分类器即最终的深部煤层气缝网形成综合判别模型,具体包括以下步骤：

(1)输入标准化后的训练数据集

Z＝{(S₁,y₁),(S₂,y₂),…,(S_n,y_n)} (7)

式(7)中,S_i表示训练数据集极差变换标准化后的特征参数向量；y_i表示缝网是否形成，-1为不形成缝网，1为形成缝网。其中，S_i∈R_n，y_i∈{-1,1}。

(2)初始化训练数据集权值

D₁＝(ω₁₁,ω₁₂,…,ω_1n) (8)

式(8)中，初始化权值训练数据集的权值分布为D_t，t为弱分类器个数，则有弱分类器H_t(S_i):S_i→y_i。

(3)计算弱分类器H_t(S_i)在D_t分布下的分类误差率

式中，e_t为分类误差率，P是概率，I是求互信息。 (9)

(4)计算弱分类器H_t(S_i)的权值更新系数，并更新权值

式(10)中，α_t是根据分类误差率求出的权重更新系数。

D_t+1＝(ω_t+1,1,ω_t+1,2,…,ω_t+1,N) (11)

式(11)中，D_t+1是更新后的权值分布。

式(12)中，Z_t表示规范化因子；ω_t+1,i表示更新后的权值。

(5)将弱分类器H_t(S_i)线性组合得到强分类器H(S_i)

式(13)中的强分类器即最终的深部煤层气缝网形成综合判别模型。

代入测试集数据验证深部煤层气缝网形成综合判别模型的预测准确度，结果如表4所示，可以看到预测准确度达85％以上，能够有效的判断出该深部煤层能否形成压裂缝网。

表4是否形成压裂缝网验证结果

序号	期望值	预测值	序号	期望值	预测值
						1	-1	-1	6	-1	-1
2	1	1	7	-1	-1
						3	1	-1	8	-1	-1
4	1	1	9	1	1
						5	-1	-1	10	-1	-1

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于AdaBoost的深部煤层气缝网形成综合判别方法，其特征在于，包括以下步骤：

步骤1：获取全直径煤芯并进行全直径压裂物理模拟试验，获得煤芯在破裂压力条件下的缝网形成情况，同时将其缝网形成情况和岩心特征、压裂液特征形成样本数据集；

步骤2：通过计算样本数据集中缝网形成情况与不同特征因素间的灰色关联系数，优选出关联度较高的主控因素；

步骤3：利用极差变换标准化对每个主控因素的量纲进行标准化处理，并将标准化后的样本数据集的至少一部分作为训练集；

步骤4：利用AdaBoost算法、基于步骤3中的训练集，获得深部煤层气缝网形成综合判别模型，利用该模型即可判断煤层气缝网形成情况。

2.根据权利要求1所述的一种基于AdaBoost的深部煤层气缝网形成综合判别方法，其特征在于，所述步骤1的全直径压裂物理模拟试验具体包括以下步骤：

步骤101：将全直径天然煤芯样品利用煤芯+顶板/底板的组合方式，通过高强度胶进行粘接组合；

步骤102：在全直径煤芯上钻孔以模拟压裂井，同时在模拟压裂井上射孔；

步骤103：将模拟井筒置入模拟压裂井中，并用粘胶对模拟井筒和模拟压裂井之间的缝隙进行填充；

步骤104：将压裂液注入模拟井筒并进行压裂模拟，并将压裂后的岩芯整体作直角剖面，观察裂缝的形态，记录是否形成缝网作为样本数据集。

3.根据权利要求1所述的一种基于AdaBoost的深部煤层气缝网形成综合判别方法，其特征在于，所述岩心特征包括：脆性指数、石英含量、断裂韧性、逼近角、结构弱面、成岩作用、割理密度；压裂液特征包括：酸可溶物含量、压裂液粘度。

4.根据权利要求1所述的一种基于AdaBoost的深部煤层气缝网形成综合判别方法，其特征在于，所述步骤2具体包括以下子步骤：

步骤201：将深部煤层煤芯是否形成缝网作为母序列，将特征参数作为子序列

x_i＝{x_i(k)|k＝1,2,…,m},i＝1,2,…,n

x₀＝{x₀(k)|k＝1,2,…,m}

式中,k表示特征参数编号，m表示特征参数最大数量；i表示样本数；x₀表示是否形成缝网；x_i表示特征参数向量；

步骤202：对特征参数作均值变换,公式为

步骤203：计算缝网形成情况与不同特征参数间的灰色关联系数，选出关联度较高的主控因素，其中灰色关联系数的计算公式为

式中,ρ为系数，取0.5；ξ_i(k)表示不同特征的灰色关联系数矩阵；

式中,r_i表示不同特征的灰色关联系数；w_k表示不同特征的权重。

5.根据权利要求1所述的一种基于AdaBoost的深部煤层气缝网形成综合判别方法，其特征在于，所述步骤3中极差变换的特征参数可分为正向指标、逆向指标，其中，正向指标的极差变换标准化为

逆向指标的极差变换标准化为

式中，x_i表示特征参数向量，S_i表示极差变换标准化后的特征参数向量。

6.根据权利要求1所述的一种基于AdaBoost的深部煤层气缝网形成综合判别方法，其特征在于，所述步骤4具体包括以下步骤：

步骤401：输入标准化后的训练数据集

Z＝{(S₁,y₁),(S₂,y₂),…,(S_n,y_n)}

式中,S_i表示极差变换标准化后的特征参数向量，S_i∈R_n；y_i表示缝网是否形成，y_i＝-1表示不形成缝网，y_i＝1表示形成缝网；

步骤402：初始化训练数据集权值

D₁＝(ω₁₁,ω₁₂,…,ω_1n)

式中，初始化权值训练数据集的权值分布为D_t，t为弱分类器个数，则有弱分类器H_t(S_i):S_i→y_i；

步骤403：计算弱分类器H_t(S_i)在D_t分布下的分类误差率

式中，e_t为分类误差率，P是概率，I是求互信息；

步骤404：计算弱分类器H_t(S_i)的权值更新系数，并更新权值

式中，α_t是根据分类误差率求出的权重更新系数；

D_t+1＝(ω_t+1,1,ω_t+1,2,…,ω_t+1,N)

式中，D_t+1是更新后的权值分布；

式中，Z_t表示规范化因子；ω_t+1,i表示更新后的权值；

步骤405：将弱分类器H_t(S_i)线性组合得到强分类器H(S_i)

上述强分类器即最终的深部煤层气缝网形成综合判别模型。