晋城矿区3号煤层深部含气量预测

姜伟

摘 要：为了探讨深部煤层含气量的有效预测方法，将支持向量机学习方法应用到了预测模型的建立中。以晋城矿区3号煤层为研究对象，以浅部煤层数据为基础，建立了含气量预测模型，并用煤层深部实测数据对模型进行了检验，精度可满足生产需要，这为煤储层深部含气量预测提供了新思路。

关键词：煤层深部含气量；压裂技术；建模样本；Matlab

中图分类号：P618.13 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.15.112

煤层含气量是煤储层评价的基本参数之一，是开发潜力评价、有利区预测和选择开发方案重要依据。结合晋城矿区煤层气井的生产实践，当煤层埋深超过800 m时，受地应力的影响，压裂缝延伸的长度和高度都受到了限制，压裂效果大打折扣。随着连续油管分段压裂、滑套工具串分段压裂等新型压裂技术的成熟，压裂改造能力有了很大的提高。在此情况下，人们开始关注后备区埋深大于800 m的区域，但由于前期深部测试样品较少，且对深部煤层含气量的分布规律认识不足，所以，对煤储层深部含气量的预测是非常重要的。

1 支持向量机学习法

支持向量机学习法是由Vapnik率先提出的，是基于统计学理论的一整机器学习方法。其基本思想是高维特征空间内的线性回归，是从线性可分条件下的最优分类超平面发展而来的。给定建模样本数据点集：

. （1）

式（1）中：xi为输入变量；yi为目标变量。

通过机器学习，可找到一个非线性函数f（x）。此时，不仅应满足yi=f（xi），且对于检验样本集{xn+1，xn+2，…，xn+m}而言，其预测值误差应在可接受的范围内。在实际应用中，没必要求得f（x）的解析表达式，只需要借助Matlab软件的SVM工具箱即可。f（x）可通过核函数的选择和相关参数的选取来确定。结合经验选取合适的核函数后，应调节相关参数，直至预测精度令人满意为止。

2 建立含气量预测模型

晋城矿区是19个首批煤炭国家规划矿区之一，是我国重要的无烟煤生产基地，位于沁水盆地的东翼南端，隶属于沁水煤层气田。矿区主要煤系地层为二叠系下统山西组（P1s）和石炭系上统太原组（C3t），平均厚度为136.02 m。含煤15层，煤层总厚度为14.67 m，含煤系数为10.8%.3号煤层位于山西组中下部，上距K8砂岩约30 m，下距9号煤层48 m。煤厚4.45～8.75 m，平均厚度为6.31 m，含气量为15.3～27.2 m3/t，为目前主要开采层位。为了对3号煤层深部含气量进行预测，根据前期煤田勘探孔资料，选取了7个参数（煤层厚度、储层温度、镜质组最大反射率、煤层灰分含量、储层流体压力、煤层埋藏深度、直接顶板厚度）作为影响煤储层气含量的因素进行数学建模。晋城矿区3号煤层的参数如表1所示。

以9个埋深小于800 m的数据样本建立了预测模型，并以上述7个影响因素为预测模型的输入变量，含气量为输出变量。在Matlab软件的SVM工具中进行处理，通过多次模型参数试验，最终核函数选用了径向基核函数，不灵敏参数ε的值选择为0.05，参数γ的值选择为0.1，惩罚参数C的值选择为10 000.应用3个埋深大于800 m的样本对预测结果进行检验，以检查预测精度是否满足要求。预测值的绝对误差小于0.05 m3/t，相对误差小于3%.神经网络和多元线性回归为目前较为常用的含气量预测方法。分别建立了3个隐藏层，建立了持续次数为500次的神经网络模型和7元线性回归模型。通过预测误差的对比可以看出，支持向量机学习预测精度的方法优于其他两种方法。其原因有2点：①数据样本小。训练样本只有9个，神经网络模型未经过充分的训练，易陷入局部极值，②部分次要的输入变量导致影响因素过于离散，最终使预测结果的精度降低。具体如表2所示。

3 结束语

综上所述，模型预测精度法优于神经网络法和线性回归法，可支持向量机方法对小样本、非线性、多因素数据的建模，为深部含量预测提供了新思路。因此，在煤层气勘探程度较低的区域，可基于煤田钻孔资料对煤储层含气性进行初步评价。

参考文献

[1]连承波，赵永军，汉林，等.煤层含气量的主控因素及定量预测[J].煤炭学报，2005，30（06）.

[2]方瑞明.支持向量机理论及其应用分析[M].北京：中国电力出版社，2007.

[3]孟召平，田永东，雷旸.煤层含气量预测的BP神经网络模型与应用[J].中国矿业大学学报，2008，37（04）.

〔编辑：张思楠〕