利用人工神经网络优选页岩气有利开发区域

王彬 汤勇 勐睿 郭慧玲 王军 刘佳男

(1.西南石油大学油气藏地质及开发工程国家重点实验室，成都 610500;2.西南石油大学石油与天然气工程学院，成都 610500;3.西南石油大学材料科学与工程学院，成都 610500)

页岩气是以吸附和游离状态存在于富含有机质的暗色泥页岩或高碳化泥页岩层系中的天然气［1］，其所在储层具有低孔隙度和特低渗透特征。相对于常规油气储层，页岩气储层具有显著的特殊性［2］，其储层评价和勘探开发技术有别于常规储层。我国的页岩气勘探开发尚处于早期阶段，相关评价参数主要借鉴了美国学界的相关数据。学者普遍认为埋深、单层净厚度、有机碳总量、热成熟度、孔隙度、地层压力系数等是评价页岩气储层的关键指标。

张金川等人认为我国页岩气资源量与美国相当，资源量巨大，建立页岩气开发有利区域评价标准至关重要。蒋裕强从有机质含量、无机矿物组成、物性及岩石学特征4个方面建立了页岩储层的评价标准。黄金亮等人从有机页岩区域分布、岩性、储层特征及含气性等方面分析了川南志留系龙马溪组页岩气形成有利区域［1］。合理的经济评价是高效开发的基础，但目前还没有储层条件与经济评价有关的研究。盈亏平衡点即零利润点，是开采成本与销售成本的动态平衡，也是目标区块可接受的最低天然气售价。本次研究中基于美国页岩气储层参数与盈亏平衡点数据，利用人工神经网络建立储层参数与盈亏平衡点之间的网络结构，表明人工神经网络具有良好的预测能力。

1 BP神经网络模型的设计

神经网络具有多输入多输出实现数据的并行以及自学习能力。人工神经网络是通过模拟人的大脑神经处理信息，进行信息并行处理和非线性转换的复杂网络系统。图1表示一个7层的多输入、单输出的人工神经网络结构图，输入层通过连接权值Wij送到隐含层，产生隐含层神经元的加权Ij输入:

隐含层神经元的实际输出bj为:

隐含层与输出层通过连接权值Zjk传送到输出层神经元，产生输出层神经元的加权输入Ck为:

该输出层神经元的实际输出dk为:

以上各式中:Xi即神经元输入层的数据;θj为隐含层神经元的阀值;rk为输出层神经元的阀值，因为是单一输出，即k=1;Wij为输入层神经元i到隐含层神经元j的连接权值;Zjk为隐含层神经元j到输出层神经元k的连接权值;bj为隐含层神经元输出数据;dk为输出层神经元输出数据;f(Ij)和f(Ck)均为传递函数。

图1 7层神经网络模型结构示意图

在此，运用Matlab软件编程。根据Kolmogorow定理可知，7层BP神经网络充分学习后能逼近任何函数［3］，因此使用带有动量因子反传播的7层向前神经网络模型进行页岩气有利开发区域评价。以美国页岩气藏作为训练样本［3］，以页岩储层的埋深、单层净厚度、孔隙度、压力系数、有机碳、热成熟度和脆性矿物含量等7个指标作为输入层的输入参数，将页岩气开发的盈亏平衡点作为神经网络的输出结果。图1所示为7层神经网络模型结构示意图。表1所示为有利于形成页岩气的储层关键指标范围。根据Kolmogorow定理并结合试算法确定隐含节点数为15［3］，隐含层之间的激励函数选择 purelin，训练函数选择traingdm。

表1 有利于形成页岩气的储层关键指标范围

2 学习样本的建立

本次研究的目的是建立优选页岩气区块的神经网络模型。采用L-M学习规则，将表2的数据作为神经网络的学习样本集，训练周期为1 000，训练目标为 0.000 01，学习效率为 0.05，动量系数为0.9，通过误差反向传播算法自动找出7个变量与盈亏平衡点之间的内部表达形式，即通过调整人工神经网络的参数使误差最小化。

神经网络将按照设定的均方差和训练次数完成训练，测试神经网络的泛化能力。如此反复的训练神经网络，找到具有良好收敛速度和泛化能力的神经网络模型，根据此神经网络模型便可优选页岩气有利区块。

表2 美国页岩气储层参数表

3 神经网络学习及预测效果评价

图2表明，经过30次的反复训练，促使误差方向传导迭代运算，以达到好的训练效果。该神经网络设置的均方差为0.000 01，当训练的均方差在0.000 01以下，即达到了训练要求，训练后的网络权值和阀值如表3所示;然后用训练后的网络进行预测，预测数据如表4所示，可以据此检验模型的正确性。

预测结果表明，所建神经网络预测的盈亏平衡点的值与实际值相对误差在5%以内，满足工程设计要求。文中建立的神经网络模型在预测盈亏平衡点时是切实可行的，可将该模型运用于现场实践中，指导页岩气区域的开发。

图2 训练误差曲线

表3 隐含层阀值和权值

表4 预测样本数据表

4 结语

(1)从经济角度出发，以盈亏平衡点(天然气售价)作为目标参数进行页岩气藏开发是切实可行的，为页岩气开发提供了一种新思路。

(2)建立了包含7个输入变量(埋深、单层净厚度、孔隙度、压力系数、有机碳、热成熟度和脆性矿物含量)、15个隐含层节点、1个输出变量的人工神经网络。

(3)利用建立的人工神经网络模型优选页岩气藏的盈亏平衡点，预测结果和实际值差异非常小，可以用于页岩气有利开发区域的选择，证实了15个隐含变量可以准确预测未知数据。

［1］蒋裕强，董大忠，漆麟，等.页岩气储层的基本特征及其评价［J］.天然气工业，2010，30(10):7-12.

［2］于炳松.页岩气储层的特殊性及其评价思路和内容［J］.地学前缘，2012(3):252-258.

［3］侯大力，孙雷，潘毅，等.人工神经网络预测高含CO2天然气的含水量［J］.西南石油大学学报(自然科学版)，2013(4):121-125.

［4］赵群.蜀南及邻区海相页岩气成藏主控因素及有利目标优选［D］.北京:中国地质大学(北京)，2013:20-21.

［5］聂海宽，张金川.页岩气聚集条件及含气量计算:以四川盆地及其周缘下古生界为例［J］.地质学报，2012，86(2):349-361.

［6］曾祥亮，刘树根，黄文明，等.四川盆地志留系龙马溪组页岩与美国Fort Worth盆地石炭系Barnett组页岩地质特征对比［J］.地质通报，2011，30(2/3):372-384.

［7］黄金亮，邹才能，李建忠，等.川南志留系龙马溪组页岩气形成条件与有利区分析［J］.煤炭学报，2012，37(5):782-787.

［8］王世谦，陈更生，董大忠，等.四川盆地下古生界页岩气藏形成条件与勘探前景［J］.天然气工业，2009，29(5):51-58.