煤層氣井排采控制技術發展現狀與展望

劉斌 杜海為 崔金榜 祝捷 樊彬 張斌

1.華北油田公司煤層氣事業部；2.中國礦業大學(北京)力學與建筑工程學院

0 引言

中國擁有豐富的煤層氣資源儲存量，位居世界第三，其中埋深2 000 m 以淺的煤層氣資源量約為36.8×1012m3，與常規天然氣儲量相當，可采量約為10.9×1012m3；1 500 m 以淺資源量大于24×1012m3［1］。

煤層氣是賦存在煤層中以甲烷為主的多組分混合氣體。我國煤層氣主要開采區域集中在沁水盆地、東北阜新盆地、鄂爾多斯盆地東緣等?，F階段，中國煤層氣開采正面臨諸多挑戰，其中排采控制方面主要表現如下［2-3］。

(1)煤層氣解吸—擴散—滲流是極其復雜的動態過程，很難用一個數學模型進行量化、精準描述。

(2)煤層氣井產氣、產水階段性強。產量變化需要歷經排采初期主要產水階段、排采中期氣水同產階段、排采后期產量下降階段。針對不同的開采階段需要制定不同的排采方案。

(3)在排采過程中，由于煤層氣儲層層內結構較為復雜、非均質性強，氣水滲流過程復雜，井底流壓波動較大。

(4)煤層滲透性受應力變化影響較大。煤層孔隙壓力隨排水降壓過程的延續而下降，與外部圍巖應力產生的應力差增大，量化該過程無有效方法。

(5)煤層氣田多處于偏遠地區，地形復雜，交通不便，且分布面積廣，井數多，很難做到集中精細化控制。

將煤層氣排采控制技術發展歷程分為3 個階段：傳統排采工藝階段、自動化排采階段、基于機器學習的智慧排采階段。分別討論了傳統排采和自動化排采工藝的優勢與不足，探討了機器學習算法在煤層氣排采控制中的發展趨勢及技術挑戰。

1 傳統排采工藝

傳統的排采方法以煤層氣井的增產技術為主要目標，如水力壓裂技術、水平井技術等，必須深入研究排采制度優化、動態監測、分析預測等，以實現煤層氣井生產目標［4］。

煤層氣井傳統排采制度中，地質技術人員首先進行動態分析，依據不同階段單井排水量、產氣量和井底流壓的關系，合理劃分每口井的排采階段，然后結合各階段產水產氣特征制定相應的排采制度。這就需要不定時地人工調整參數和手動控制設備。這種管理模式存在一定的局限性，不能實現自動化控制［5-6］。主要弊端為：(1)人工采集數據難度大，準確性差，周期長，很難做到精細化控制；(2)不能實時反映排采關鍵數據，無法保證排采設備平穩、連續運行；(3)不能及時調整設備運行參數，有異常情況時不能及時維修；(4)人工成本高，工作效率低，勞動強度大；(5)多數井區交通不便，安全風險高。

綜上所述，在傳統排采控制階段，最大的難題是人工調參的局限性：周期長、調節不及時、準確性差、勞動強度大、安全風險高等。因此需要開展盡可能降低人工干預程度的自動化排采控制技術研究［7］。

2 自動化排采工藝

2.1 研究和應用現狀

煤層氣井自動化排采有利于管理部門及時掌握煤層氣井的各項工作狀態，有效縮短故障處理時間和減少人工巡井的次數，提高煤層氣生產現場管理水平，從而實現煤層氣生產管理的信息化、精準化、穩定化和自動化。

自動化排采控制技術以控制井底流壓為核心，結合煤層氣田的儲層特性和地質情況，根據氣井的產氣產水規律和井底流壓變化規律，人工預先設置井底流壓的變化速度，監測系統采集井底流壓變化情況，控制器自動計算并通過控制變頻器調整抽油機沖次、電機轉速等，可實現煤層氣生產過程長期、連續、精準控制，以實現自動化排采［8］。

1987年，美國Burlington 公司研發了世界第1套煤層氣自動化開采系統，并成功應用于圣胡安盆地。系統由計算機監控裝置、遙控裝置、中繼線系統等部分組成，可實現煤層氣現場的通迅、遙控、數據采集、計算和報警等功能，大大提高生產效率［9-10］。

國內石惠寧等［5］基于自動化控制原理，研發了以變頻閉環控制技術為主的智能控制技術，實現對井底流壓和排采制度智能控制；秦義等［11］基于“五段三壓法”排采認識和策略，開發了專門的智能控制軟件及對應設備，實現了井底流壓的智能控制，現場應用效果良好；白利君［12］將一種適應于煤層氣井的專用排采機應用于山西鄭莊地區煤層氣井，根據管理者的意愿，實現多項參數的自動采集記錄儲存，并自動生成最優工作制度；陳秀萍等［13］基于“雙環三控法”控制認識和策略，采用適用于煤層氣井的地面變頻控制設備，實現了煤層氣井從降液、解吸至產氣等不同階段的自動化排采控制。

2.2 現階自動化排采工藝的不足

現階段的自動化排采工藝需要根據人工事先設定的參數(如動液面下降速度、井底流壓變化范圍等)，設備自動調整抽油機沖次。無法根據現場的實際情況進行快速反應。

解決上述問題時，綜合煤層地質因素、井筒工程因素、地面集輸因素后，進行產能預測，制定未來排采控制制度的優化方案。

傳統的產能預測方法有數學建模、軟件建模、歷史產氣產水量分析等［3］。一些學者將預測煤層氣產能的研究角度從動態生產的模型分析轉移到歷史排采井數據挖掘的機器學習方法上：通過對歷史煤層氣井的地質、工程、排采、集輸大數據機器學習和挖掘，擬合出一套具有自適應煤層氣井的智慧排采決策系統，實現一井一制度智慧排采。

3 基于機器學習的智慧排采工藝

機器學習算法可以根據實際情況自動優化排采策略，大大減少人工分析的過程，實現排采制度的快速決策和優化。

機器學習是從經驗數據中學習數據表象背后的復雜關系和模式，并對此進行研究，以幫助機器自動決策，是一個跨領域的學科，與數據挖掘、人工智能、數理統計和計算機等學科都有密切聯系。

目前，機器智慧學習算法在煤層氣領域應用還處于萌發的起步階段，常見的有神經網絡技術、支持向量機技術及支持向量回歸機技術等［14］。

神經網絡是一種模擬動物神經行為特征的數學模型，基于對信息的分布儲存和并行處理，具有自學習功能。神經網絡根據系統的復雜程度，通過調整大量內部節點之間的互聯方式，達到信息處理的目的；通過分析歷史數據進行自學習，對控制參數進行調整，以達到最佳控制效果。

當抽采管路中的氣體濃度發生動態變化時，通過邏輯可編程控制器來調整閥門開度，調整煤層氣流量，可實現煤層氣地面抽采的智慧控制［15］?；谏窠浽斯ぞW絡智能控制理論和智能動態專家庫技術，自動排采控制方法可自動優化系統的各參數值，實現煤層氣井均衡、穩定、精確排采［16］。潘莊CM1 井應用了基于時間序列預測思想的BP 神經網絡模型進行實際產能預測，結果表明：該模型能準確預測煤層氣井未來30 d 的產量變化情況，為煤層氣井排采制度的制定和調整提供依據［17］。

神經網絡技術還被應用于煤層氣井開采模型中，用于優化通風，建立有監督的神經網絡長壁礦井通風的瓦斯排量預測模型［18］。C.?.Karacan［19］利用智能優化控制方法進行了煤礦長壁工作面采空區的瓦斯通氣孔排采性能預測。

支持向量機(SVM)是根據已有數據建立一種函數關系的映射，通過最大化分隔超平面與數據之間距離的方式來最小化泛化誤差的上界，以此獲得相應的解。20 世紀 90年代，V.Vapnik［20］首次提出支持向量機的通用學習方法，現已廣泛應用于各領域。一般對小樣本學習而言，支持向量機的預測準確率要高于神經網絡法［20-25］。煤層氣排采不同產層的水源來源識別中引入支持向量機的分析方法，通過建立二叉樹結構的支持向量機模型，識別煤層氣井的產出水源，計算準確率高于80%［21］。

故障診斷方面，建立單井故障診斷模型，將支持向量機與模糊聚類算法相結合，并利用粒子群算法對模型參數進行優化，用于煤層氣井具有良好的故障診斷效果和自學習能力［22］。基于模糊型支持向量機故障診斷模型還可預先處理并確定訓練樣本數據的模糊隸屬度，實現故障類型的有效診斷［23］。

在產能預測方面，支持向量機技術擁有在非線性預測領域的優勢，將改進的混合粒子群優化算法和支持向量回歸機等技術應用于煤層氣井的產能預測中，在沁水盆地南部樊莊區塊的近20 口井進行了產能預測應用［14］。依據智能計算方法，基于貝葉斯證據框架和混沌時間序列的最小二乘支持向量機(LS-SVM)的煤層氣產能預測模型在產能預測方面優于BP 神經網絡和SVM 預測方法［3］。

顏愛華［24］基于支持向量機理論的瓦斯含量預測模型，利用工具箱結合現場實測數據對模型進行了求解預測，并對比神經網絡預測模型、多元線性回歸預測模型，發現支持向量機理論模型的預測結果與現場實測值的誤差最小。

此外基于支持向量機的井底流壓預測模型可以用于預測煤層氣井的井底流壓變化趨勢，具有良好的預測和分析效果［25］。

綜上所述，目前神經網絡主要在排采控制、產能預測方面已展開研究。支持向量機技術則主要應用于產能預測和故障診斷、水位檢測等其他方面，在智慧排采控制方面研究較少。隨著人工智能和大數據時代的到來，機器學習算法在煤層氣排采中初步取得了一定的成果，但還處于起步階段。

4 智慧排采技術發展方向及面臨的挑戰

煤層氣排采控制技術未來的發展方向是充分利用機器學習算法和人工智能技術，形成智慧排采決策系統，為煤層氣井實現智能化和數字化氣田管理、提高勞動生產率、節能降耗提供有力的保障，并且為未來煤層氣舉升裝備的發展提供新的發展方向。與此同時，嵌入機器學習算法的智慧排采技術在煤層氣領域的推廣也會面臨許多挑戰：一是在數據庫建設方面，機器學習算法需要大量的訓練樣本，樣本數量越多，算法程序自動分析出來的規律越準確。這里的樣本指的是煤層氣井的生產數據，需要建立一個有足夠樣本的數據庫平臺，以便對未來新井的開采提供數據支撐；二是需要進一步完善監測技術，氣體在煤層中的流動是一個極其復雜的動態過程，影響產量的因素很多，現有的監測技術大多關注井底流壓、套壓、動液面、產氣、產水、沖次、沖程等基本參數，且記錄周期較長，不利于進行動態分析，因此需要對更多生產參數(儲層壓力分布、卸壓面積、解吸面積等)進行監測，并且建立動態連續的數據采集系統；三是需要挖掘產量與各生產參數之間的內涵關系，由于煤層氣的解吸-擴散-滲流過程的復雜性，數據之間的關系大多表現為非線性，要挖掘其中的內涵關系，必須結合統計學、力學、地質學、熱學等多各學科進行綜合分析。

5 結論

(1)應用機器學習算法的智慧排采工藝替代傳統排采工藝和自動化排采工藝，是煤層氣排采控制工藝的必然發展方向和結果。

(2)對自動化排采技術跨領域引入機器學習算法，形成煤層氣智慧排采控制決策系統，預先進行煤層氣產能預測，無需人為干預，智慧實時調整排采參數，實現煤層氣產能的最大化。

(3)目前機器學習算法在煤層氣領域的應用還處于起步階段，同時也面臨著許多挑戰。未來隨著智慧排采系統的完善，它不僅可以應用在排采控制階段，同樣在地質、工程、集輸等方面也有良好的研究和應用前景。