基于分型理論和神經網絡的頁巖氣可鉆性研究

2019-02-27 05:12:00周啟成趙廷峰周偉勤趙春艷劉易思

鉆采工藝 2019年1期

周啟成，趙廷峰，周偉勤，趙春艷，劉易思

(1中石化中原石油工程公司 2中國石油新疆油田分公司 3陜西延長石油西安研究院 4川慶鉆探工程有限公司安全環保質量監督檢測研究院工程監督中心)

巖石可鉆性極值是表征巖石抵抗鉆頭破壞能力的一個重要參數，同樣也是鉆井工程方案設計中鉆頭選型的重要依據。常規的可鉆性極值預測主要有兩種方法：巖心實驗法和測井資料分析法。針對這兩種方法的缺點，本文采用分形理論對鉆進過程中上返的巖屑進行分析處理，確定出上返巖屑分形維數與巖屑參數之間的計算關系。將分形維數與測井數據相結合，作為影響因素，利用神經網絡建立影響因素與可鉆性極值的映射關系，實現焦石壩地區頁巖氣可鉆性極值的預測分析，為二期產能建設提供理論依據。

一、上返巖屑分形維數計算

按照分形理論，分形內部任何一個相對獨立的部分在一定程度上都是整體的再現和縮影。在鉆井過程中鉆頭不斷破碎巖屑，巖屑形態呈現出不規則的特性，最后得到了更細小的碎巖屑，不同大小的巖屑塊中整體形態與局部形態具有自相似性，故可采用分形理論來研究上返巖屑[1-2],考慮到牙輪鉆頭與PDC鉆頭破巖機理不同，選取的巖屑數據均為PDC鉆頭鉆取。

對于上返巖屑采用冪律形式的理論破碎體分形分布模型：

N=Cr-D

(1)

式中：r—巖屑的特征尺度，m；N—是特征尺度為r的碎塊數目；C—為比例常數；D—分形維數。

由于對巖屑進行實際分析時，特定尺寸以上的碎塊數量多，不方便統計。因此，本文將研究巖石碎塊的質量—尺寸關系。質量可以通過電子秤稱出，尺寸可通過篩網目數確定。

(2)

式中：Nx—直徑小于x對應的碎塊數目；rmin—巖屑的最小特征尺寸，m；C1—為比例常數。

(3)

式中：Mr—小于篩網直徑r的碎塊質量，kg；x—(0,r]上的任意直徑，m；ρ—密度，g/cm3。

(4)

分別選取層位為龍潭組，茅口組，棲霞組，韓家店組，小河壩組及龍馬溪組，巖性主要以泥頁巖為主，在實驗過程中為了分選方便，質量一般控制在100 g左右，烘干去除巖屑中的水分，以便提高實驗數據的準確性。

本次實驗分別選取4目，10目，18目，35目，45目，進行分選，其孔徑分別對應為4.75，2.00，1.00，0.5，0.35 mm。分選儀振動時間設置為5 min，分別對每一級上返巖屑進行稱重，并記錄進行分析。

上返巖屑篩分組分見表1。

表1 上返巖屑篩分質量百分比表

圖1 不同層組巖屑分形曲線

將各組巖樣篩選結果進行統計分析，得出分形維數和相關性系數，見表2。

表2 各層位分形維數

由擬合的數據看出，相關性系數達到0.86以上，有較好的相關性，符合分形理論，隨著井深的增加，分形維數也在不斷地增加，符合沉積壓實規律。

二、可鉆性極值預測方法建立

為了提高巖石可鉆性極值預測的準確性，本文采取多源數據(分形維數和測井數據)結合的方式進行可鉆性極值的預測。由于多源數據與巖石可鉆性極值之間關系十分復雜，參數之間存在互相影響和非線性相關。針對這一問題，本文采用BP神經網絡來建立兩者之間的映射關系[6-10]。

BP神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每一層的神經元狀態只影響下一層神經元狀態。如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出。BP神經網絡的拓撲結構如圖2所示。

本文以巖屑分形維數、聲波時差測井數據、密度測井數據和自然伽馬測井數據作為輸入層，以巖石可鉆性極值作為輸出層。將處理后的鉆頭使用數據作為BP神經網絡的學習樣本，通過前饋學習建立輸入層與輸出層之間的關系模型。