BP神经网络补偿算法在煤层气井产量预测中的应用

李 萍 吉 勇 熊 杰 刘 昊 冯吴祥 王 栋

(陕西韩城天久注浆勘探有限责任公司，陕西 715400 )

BP神经网络补偿算法在煤层气井产量预测中的应用

李 萍1吉 勇2熊 杰2刘 昊3冯吴祥3王 栋3

(陕西韩城天久注浆勘探有限责任公司，陕西 715400 )

为了精细监测和了解排采过程煤储层参数的动态变化，本文提出了一种基于BP神经网络补偿算法，对未来一定时期的产气、产水量进行了预测。对大佛寺典型的煤层气水平井(DFS-C02井)进行实例分析，结果表明，未来30d的产水量、产气量的平均相对误差分别为0.79%(0.07～0.26%)和0.72%(0.01～2.4%)，预测结果较准确。BP神经网络补偿算法为煤层气井的产量预测提供了一种新方法，同时为排采工作制度提供依据。

BP神经网络 补偿算法 煤层气井 产量预测

在煤层气井排采阶段，产量预测意义重大。针对煤层气井建立一种有效的预测模型，以现有生产数据为基础，准确地预测出一段时间产量情况，将为后期排采安排提供支持。本文构建了基于BP神经网络补偿算法的预测模型，以DFS-C02井历史生产数据对未来产量的变化进行预测与验证。

1 神经网络简介

人工神经网络(Artificial Neural Network 简称ANN)对人脑神经元网络进行抽象，按不同的连接方式建立某种简单模型组成多种网络的一种信息处理方式，通常简称为神经网络。ANN由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称为权重。根据不同的连接方式，权重值和激励函数也随之改变。目前ANN应用最广的是多层神经网络及误差逆传播学习算法。在多层感知器的基础上增加误差逆传播信号称为误差逆传播的前向网络(Back Propagation)，简称BP神经网络。BP神经网络具有较强的非线性映射能力、自学习能力和泛化能力，可以用在系统模型的辨识、预测或控制中。图1常见的三层BP网络。

图1 三层BP神经网络结构

2 基于BP神经网络补偿算法的产能预测模型

为了实现对煤层气井近期产量的实时动态预测，预测试验采用时间序列来构建网络预测模型。利用煤层气井历史排采数据来训练和检验。根据检验效果，不断调整网络权值和优化网络结构，得到一个误差较小、结构稳定、预测结果理想的网络结构。运用构建好的网络预测模型，对煤层气井未来30d内的产能大小进行预测。

2.1 网络层数设计

对于煤层气井这样复杂的系统而言，提高BP神经网络的非线性映射能力的最好方法为增加隐含层数目。另一方面，过多的隐含层数目也会使预测结果不理想。在多次试验和仿真的综合考虑下，本文选取含有两个隐含层的4层BP神经网络，并在其基础上提出了一种补偿算法来改善不良因素对预测效果的影响。

2.2 网络节点的选取和样本数据的预处理

在预测未来煤层气井的产能中，需要考虑实际生产中多重影响产能的因素。其主要表现在煤层气井前期的产水量、产气量和井底流压，以及前期和未来煤层气井的井泵转速、动液面深度、套压和井底压力的大小。在建立了多个网络模型并进行多次对比预测后，本文最终确定了8个BP神经网络输入参数，见表1。经过反复模拟预测，将输出节点确定为四个，对应输出量分别为：未来30d每天的产气、产水量、累计产气和产水量。

表1 输入节点及含义

在输入层输出层的实际参数中，数据之间差距过大，会使BP网络麻痹。为了提高BP网络的泛化能力，有必要对输入数据做归一化处理。公式如下：

(1)

式中归一化前后的变量数据分别表示为X、X*，样本数据中的最大值和最小值分别表示为Xmax、Xmin。

数据在归一化后，其预测结果亦为归一化后的值，因此必须完成预测结果反归一化处理。通过(1)式可得：

X=X*(Xmax-Xmin)+Xmin

(2)

2.3 BP网络参数的选取

以三层BP神经网络为例，设网络结构为M×Q×4。取不为负的sigmoid函数作为输出节点为产水量和产气量的激发函数，取正负对称的双曲正切函数作为其他层的激发函数。BPNN输入层的输出公式如下：

(3)

网络的隐含层输入，输出为

(4)

网络的输出层输入、输出为

(5)

根据对实际预测对象的大量实验仿真，本文取初始权值为(-0.5，0.5)之间的随机数。初始学习速率的取值为0.01。

2.4 BP神经网络补偿

由于BP神经网络易出现局部极小值的问题。在实际预测中表现为容易出现局部预测值跑偏。因此本文提出一种补偿算法对煤层气井的产水量与产气量进行优化预测。具体公式如下

ΔE=Ei-Ei-1

(6)

式中Ei为累计产能，ΔE为预测累计量下得到的间接日产量。

ei-ΔE=z1

(7)

ei-yei=z2

(8)

式中ei为第i天日产量，yei为预测的直接日产量，z1、z2为绝对误差。

y=αz1+βz2

(9)

(10)

根据上述补偿算法原理及BP神经网络的学历训练过程可以得到BP神经网络补偿算法的训练过程，如图2。

图2 BP神经网络补偿算法训练过程

3 实例分析

选取大佛寺典型的C02煤层气井为预测实例，C02井位于大佛寺中部，排采目标煤层为4号煤层，煤层埋深为593.1m。C02井从开采日2011年8月15日至本文采样截止日2014年7月27日，共1077天，现在仍处于排采状态。目前该煤层气井排采正处于稳气上升阶段，现最高产气量为22500m3。

选取2013年10月1日至2014年6月30日作为预测研究对象。选取其中240天作为数据预测样本，其余31天为生产中的设备检修及其他因素。将2014年6月作为预测和检验目标。为了得到图像的预测趋势，本文在预测时多加了一组预测值。根据前文所述，选取网络结构为8-16-32-4的四层BP神经网络。由于产水量和其他三个输出量的数量级不在同一级别，因此设定产水量和其他三个输出量的预测精度分别为1e-6和1e-9，设定训练次数为5000次。通过网络训练输出样本，得到预测结果和绝对误差见图3～8。

图3 产水量预测值与实际值对比

图4 产水量绝对误差图

图5 产气量预测值与实际值对比

图6 产气量绝对误差图

图7 总产水量预测值与实际值对比

图8 总产气量预测值与实际值对比

通过预测图形可以看出BP神经网络能够较为准确的预测出6月份产水量和产气量的值。预测结果的平均相对误差为1.19%和1.08%。产能实际值与预测值变化规律基本相符，且大部分存在误差亦在允许范围内。由于BP神经网络的局限性，部分数据误差较大，对预测结果有一定的影响，因此可以采用累计产量对日产量进行补偿来减小局部误差，提高整体预测的准确度。补偿后的预测值与相对误差见图9～10。

图9 产水量补偿后相对误差分布图

图10 产气量补偿后相对误差分布图

根据图表可以得出补偿后产水量和产气量的相对误差值下降至0.79%和0.72%。30天中产水量和产气量的相对误差绝对值分别有19天和23天分布在小于1%的区间内。分布在2%至3%的天数分别只有2天和1天。最大相对误差分别为2.36%和2.40%，最小分别为0.07%和0.01%。

4 结论

本文通过建立BP神经网络补偿算法下的产能预测模型对煤层气井的产水量与产气量进行短期预测。通过分析DFS-C02井排采数据可以得出：现产气阶段，无论定压排采还是定量排采，只要工作制度保持平稳，产水量与产气量预测结果都较为准确，即可以把预测结果的相对误差控制在3%以内；较补偿前补偿后产水量和产气量的相对误差可下降至0.79%和0.72%。因此利用产气与产水的变化规律，建立BP神经网络补偿算法下的数学模型并对其进行预测，有利于对低阶煤区煤储层参数(含气量、渗透率、水力参数)随压降变化规律的认识，指导后期煤层气开发。

[1] 候媛彬,杜京义,汪梅.神经网络[M].西安电子科技大学出版社,2009，45(29)：211-213.

[2] 陈虎维,吕进国.基于BP神经网络构建矿床模型的估值方法[J].辽宁工程技术大学学报:自然科学版,2009,28(4):537-540.

[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(4):456-461.

[4] 吴观茂,黄明,李刚.基于BP神经网络的瓦斯含量预测[J].煤田地质与勘探,2008,36(1):30-33.

[5] 吴财芳,曾勇,张子戌.自适应神经网络在瓦斯含量预测中的应用[J].辽宁工程技术大学学报:自然科学版,2003,22(5):609-612.

[6] 周晶晶，贺勇，诸克军.基于主成分BP神经网络的油田产量预测研究[J].统计与决策，2008(13)：35-37.

[7] 何晓群.多元统计分析[M].北京：中国人民大学出版社，2004.

[8] 史忠植.人工神经网络[M].北京:高等教育出版社,2009:102-156.

[9] 鞠琴,郝振纯,余钟波.基于人工神经网络的降水径流模拟研究[J].辽宁工程技术大学学报:自然科学版,2007,26(6):940-943.

[10] 吕玉民，汤达祯，李治平,等.煤层气井动态产能拟合与预测模型[J].煤炭学报,2011,36(9)：1482-1484.

[11] 苏复义，蔡云飞.数值模拟技术在柳林煤层气实验区的应用[J].天然气工业,2004,24(5)95-96.

[12] 马旭,张弛,陈小凡.基于主成分的BP神经网络煤层气产能预测方法[J].科技与产业,2013,13(11)：97-100.

[13] 王宇,李治平,刘超.基于分形与ARIMA的煤层气产量预测天然气与石油[J].天然气与石油，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.

(责任编辑 丁 聪)

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，硕士，从事煤层气勘探开发工作。