BP神經網絡補償算法在煤層氣井產量預測中的應用

李 萍 吉 勇 熊 杰 劉 昊 馮吳祥 王 棟

(陜西韓城天久注漿勘探有限責任公司，陜西 715400 )

BP神經網絡補償算法在煤層氣井產量預測中的應用

李 萍1吉 勇2熊 杰2劉 昊3馮吳祥3王 棟3

(陜西韓城天久注漿勘探有限責任公司，陜西 715400 )

為了精細監測和了解排采過程煤儲層參數的動態變化，本文提出了一種基于BP神經網絡補償算法，對未來一定時期的產氣、產水量進行了預測。對大佛寺典型的煤層氣水平井(DFS-C02井)進行實例分析，結果表明，未來30d的產水量、產氣量的平均相對誤差分別為0.79%(0.07～0.26%)和0.72%(0.01～2.4%)，預測結果較準確。BP神經網絡補償算法為煤層氣井的產量預測提供了一種新方法，同時為排采工作制度提供依據。

BP神經網絡 補償算法 煤層氣井 產量預測

在煤層氣井排采階段，產量預測意義重大。針對煤層氣井建立一種有效的預測模型，以現有生產數據為基礎，準確地預測出一段時間產量情況，將為后期排采安排提供支持。本文構建了基于BP神經網絡補償算法的預測模型，以DFS-C02井歷史生產數據對未來產量的變化進行預測與驗證。

1 神經網絡簡介

人工神經網絡(Artificial Neural Network 簡稱ANN)對人腦神經元網絡進行抽象，按不同的連接方式建立某種簡單模型組成多種網絡的一種信息處理方式，通常簡稱為神經網絡。ANN由大量的節點(或稱神經元)之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱為權重。根據不同的連接方式，權重值和激勵函數也隨之改變。目前ANN應用最廣的是多層神經網絡及誤差逆傳播學習算法。在多層感知器的基礎上增加誤差逆傳播信號稱為誤差逆傳播的前向網絡(Back Propagation)，簡稱BP神經網絡。BP神經網絡具有較強的非線性映射能力、自學習能力和泛化能力，可以用在系統模型的辨識、預測或控制中。圖1常見的三層BP網絡。

圖1 三層BP神經網絡結構

2 基于BP神經網絡補償算法的產能預測模型

為了實現對煤層氣井近期產量的實時動態預測，預測試驗采用時間序列來構建網絡預測模型。利用煤層氣井歷史排采數據來訓練和檢驗。根據檢驗效果，不斷調整網絡權值和優化網絡結構，得到一個誤差較小、結構穩定、預測結果理想的網絡結構。運用構建好的網絡預測模型，對煤層氣井未來30d內的產能大小進行預測。

2.1 網絡層數設計

對于煤層氣井這樣復雜的系統而言，提高BP神經網絡的非線性映射能力的最好方法為增加隱含層數目。另一方面，過多的隱含層數目也會使預測結果不理想。在多次試驗和仿真的綜合考慮下，本文選取含有兩個隱含層的4層BP神經網絡，并在其基礎上提出了一種補償算法來改善不良因素對預測效果的影響。

2.2 網絡節點的選取和樣本數據的預處理

在預測未來煤層氣井的產能中，需要考慮實際生產中多重影響產能的因素。其主要表現在煤層氣井前期的產水量、產氣量和井底流壓，以及前期和未來煤層氣井的井泵轉速、動液面深度、套壓和井底壓力的大小。在建立了多個網絡模型并進行多次對比預測后，本文最終確定了8個BP神經網絡輸入參數，見表1。經過反復模擬預測，將輸出節點確定為四個，對應輸出量分別為：未來30d每天的產氣、產水量、累計產氣和產水量。

表1 輸入節點及含義

在輸入層輸出層的實際參數中，數據之間差距過大，會使BP網絡麻痹。為了提高BP網絡的泛化能力，有必要對輸入數據做歸一化處理。公式如下：

(1)

式中歸一化前后的變量數據分別表示為X、X*，樣本數據中的最大值和最小值分別表示為Xmax、Xmin。

數據在歸一化后，其預測結果亦為歸一化后的值，因此必須完成預測結果反歸一化處理。通過(1)式可得：

X=X*(Xmax-Xmin)+Xmin

(2)

2.3 BP網絡參數的選取

以三層BP神經網絡為例，設網絡結構為M×Q×4。取不為負的sigmoid函數作為輸出節點為產水量和產氣量的激發函數，取正負對稱的雙曲正切函數作為其他層的激發函數。BPNN輸入層的輸出公式如下：

(3)

網絡的隱含層輸入，輸出為

(4)

網絡的輸出層輸入、輸出為

(5)

根據對實際預測對象的大量實驗仿真，本文取初始權值為(-0.5，0.5)之間的隨機數。初始學習速率的取值為0.01。

2.4 BP神經網絡補償

由于BP神經網絡易出現局部極小值的問題。在實際預測中表現為容易出現局部預測值跑偏。因此本文提出一種補償算法對煤層氣井的產水量與產氣量進行優化預測。具體公式如下

ΔE=Ei-Ei-1

(6)

式中Ei為累計產能，ΔE為預測累計量下得到的間接日產量。

ei-ΔE=z1

(7)

ei-yei=z2

(8)

式中ei為第i天日產量，yei為預測的直接日產量，z1、z2為絕對誤差。

y=αz1+βz2

(9)

(10)

根據上述補償算法原理及BP神經網絡的學歷訓練過程可以得到BP神經網絡補償算法的訓練過程，如圖2。

圖2 BP神經網絡補償算法訓練過程

3 實例分析

選取大佛寺典型的C02煤層氣井為預測實例，C02井位于大佛寺中部，排采目標煤層為4號煤層，煤層埋深為593.1m。C02井從開采日2011年8月15日至本文采樣截止日2014年7月27日，共1077天，現在仍處于排采狀態。目前該煤層氣井排采正處于穩氣上升階段，現最高產氣量為22500m3。

選取2013年10月1日至2014年6月30日作為預測研究對象。選取其中240天作為數據預測樣本，其余31天為生產中的設備檢修及其他因素。將2014年6月作為預測和檢驗目標。為了得到圖像的預測趨勢，本文在預測時多加了一組預測值。根據前文所述，選取網絡結構為8-16-32-4的四層BP神經網絡。由于產水量和其他三個輸出量的數量級不在同一級別，因此設定產水量和其他三個輸出量的預測精度分別為1e-6和1e-9，設定訓練次數為5000次。通過網絡訓練輸出樣本，得到預測結果和絕對誤差見圖3～8。

圖3 產水量預測值與實際值對比

圖4 產水量絕對誤差圖

圖5 產氣量預測值與實際值對比

圖6 產氣量絕對誤差圖

圖7 總產水量預測值與實際值對比

圖8 總產氣量預測值與實際值對比

通過預測圖形可以看出BP神經網絡能夠較為準確的預測出6月份產水量和產氣量的值。預測結果的平均相對誤差為1.19%和1.08%。產能實際值與預測值變化規律基本相符，且大部分存在誤差亦在允許范圍內。由于BP神經網絡的局限性，部分數據誤差較大，對預測結果有一定的影響，因此可以采用累計產量對日產量進行補償來減小局部誤差，提高整體預測的準確度。補償后的預測值與相對誤差見圖9～10。

圖9 產水量補償后相對誤差分布圖

圖10 產氣量補償后相對誤差分布圖

根據圖表可以得出補償后產水量和產氣量的相對誤差值下降至0.79%和0.72%。30天中產水量和產氣量的相對誤差絕對值分別有19天和23天分布在小于1%的區間內。分布在2%至3%的天數分別只有2天和1天。最大相對誤差分別為2.36%和2.40%，最小分別為0.07%和0.01%。

4 結論

本文通過建立BP神經網絡補償算法下的產能預測模型對煤層氣井的產水量與產氣量進行短期預測。通過分析DFS-C02井排采數據可以得出：現產氣階段，無論定壓排采還是定量排采，只要工作制度保持平穩，產水量與產氣量預測結果都較為準確，即可以把預測結果的相對誤差控制在3%以內；較補償前補償后產水量和產氣量的相對誤差可下降至0.79%和0.72%。因此利用產氣與產水的變化規律，建立BP神經網絡補償算法下的數學模型并對其進行預測，有利于對低階煤區煤儲層參數(含氣量、滲透率、水力參數)隨壓降變化規律的認識，指導后期煤層氣開發。

[1] 候媛彬,杜京義,汪梅.神經網絡[M].西安電子科技大學出版社,2009，45(29)：211-213.

[2] 陳虎維,呂進國.基于BP神經網絡構建礦床模型的估值方法[J].遼寧工程技術大學學報:自然科學版,2009,28(4):537-540.

[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(4):456-461.

[4] 吳觀茂,黃明,李剛.基于BP神經網絡的瓦斯含量預測[J].煤田地質與勘探,2008,36(1):30-33.

[5] 吳財芳,曾勇,張子戌.自適應神經網絡在瓦斯含量預測中的應用[J].遼寧工程技術大學學報:自然科學版,2003,22(5):609-612.

[6] 周晶晶，賀勇，諸克軍.基于主成分BP神經網絡的油田產量預測研究[J].統計與決策，2008(13)：35-37.

[7] 何曉群.多元統計分析[M].北京：中國人民大學出版社，2004.

[8] 史忠植.人工神經網絡[M].北京:高等教育出版社,2009:102-156.

[9] 鞠琴,郝振純,余鐘波.基于人工神經網絡的降水徑流模擬研究[J].遼寧工程技術大學學報:自然科學版,2007,26(6):940-943.

[10] 呂玉民，湯達禎，李治平,等.煤層氣井動態產能擬合與預測模型[J].煤炭學報,2011,36(9)：1482-1484.

[11] 蘇復義，蔡云飛.數值模擬技術在柳林煤層氣實驗區的應用[J].天然氣工業,2004,24(5)95-96.

[12] 馬旭,張弛,陳小凡.基于主成分的BP神經網絡煤層氣產能預測方法[J].科技與產業,2013,13(11)：97-100.

[13] 王宇,李治平,劉超.基于分形與ARIMA的煤層氣產量預測天然氣與石油[J].天然氣與石油，2011,29(3)：45-48.

[14] Frost F, Karri V. Productivity improvements through prediction of electrolyte temperature in aluminium reduction cell using BP neuralnetwork[J]. Lecture Notes in Computer Science, 000:490-499.

[15] Nunes, Clodoaldo, Martinho, Valquíria R. C, Minussi, Carlos Roberto. A new method for the prediction of carbon sequestration in reforested areas using a fuzzy-ART-BP neural network[J], Proceedings of the 2013 International Conference on Artificial Intelligence, ICAI 2013(2): 825-831.

[16] Elabd, Samer，Schlenkhoff, Andreas. ANFIS and BP neural network for travel time prediction[J], World Academy of Science, Engineering and Technology, 2009(33): 116-121.

(責任編輯 丁 聰)

Application of BP Neural Network Compensation Algorithm in the Production Forecasting of CBM Wells

LI Ping1, JI Yong2, XIONG Jie2, LIU Hao3, FENG Wuxiang3, WANG Dong3

(Shaanxi Hancheng Tianjiu Grouting & Exploration Co., Ltd, Shaanxi 715400)

In order to carefully monitoring and understanding the dynamic change of the coal reservoir parameters during the mining process, this paper proposes a compensation algorithm based on BP neural network to forecast the future production of gas and water. Analysis of a typical CBM horizontal well(DFS-C02 Well) in Dafosi shows that, the average relative error of forecasted water and gas production is respectively 0.79%(0.07～0.26%) and 0.72%(0.01～2.4%) in the next 30 days, which are accurate predictions. BP neural network provides a new method for the production prediction of CBM wells, as well as provide the basis for development working system.

BP neural network; compensation algorithm; CBM well; production forecast

李萍，女，碩士，從事煤層氣勘探開發工作。