煤层气井排采控制技术发展现状与展望

刘斌 杜海为 崔金榜 祝捷 樊彬 张斌

1.华北油田公司煤层气事业部；2.中国矿业大学(北京)力学与建筑工程学院

0 引言

中国拥有丰富的煤层气资源储存量，位居世界第三，其中埋深2 000 m 以浅的煤层气资源量约为36.8×1012m3，与常规天然气储量相当，可采量约为10.9×1012m3；1 500 m 以浅资源量大于24×1012m3［1］。

煤层气是赋存在煤层中以甲烷为主的多组分混合气体。我国煤层气主要开采区域集中在沁水盆地、东北阜新盆地、鄂尔多斯盆地东缘等。现阶段，中国煤层气开采正面临诸多挑战，其中排采控制方面主要表现如下［2-3］。

(1)煤层气解吸—扩散—渗流是极其复杂的动态过程，很难用一个数学模型进行量化、精准描述。

(2)煤层气井产气、产水阶段性强。产量变化需要历经排采初期主要产水阶段、排采中期气水同产阶段、排采后期产量下降阶段。针对不同的开采阶段需要制定不同的排采方案。

(3)在排采过程中，由于煤层气储层层内结构较为复杂、非均质性强，气水渗流过程复杂，井底流压波动较大。

(4)煤层渗透性受应力变化影响较大。煤层孔隙压力随排水降压过程的延续而下降，与外部围岩应力产生的应力差增大，量化该过程无有效方法。

(5)煤层气田多处于偏远地区，地形复杂，交通不便，且分布面积广，井数多，很难做到集中精细化控制。

将煤层气排采控制技术发展历程分为3 个阶段：传统排采工艺阶段、自动化排采阶段、基于机器学习的智慧排采阶段。分别讨论了传统排采和自动化排采工艺的优势与不足，探讨了机器学习算法在煤层气排采控制中的发展趋势及技术挑战。

1 传统排采工艺

传统的排采方法以煤层气井的增产技术为主要目标，如水力压裂技术、水平井技术等，必须深入研究排采制度优化、动态监测、分析预测等，以实现煤层气井生产目标［4］。

煤层气井传统排采制度中，地质技术人员首先进行动态分析，依据不同阶段单井排水量、产气量和井底流压的关系，合理划分每口井的排采阶段，然后结合各阶段产水产气特征制定相应的排采制度。这就需要不定时地人工调整参数和手动控制设备。这种管理模式存在一定的局限性，不能实现自动化控制［5-6］。主要弊端为：(1)人工采集数据难度大，准确性差，周期长，很难做到精细化控制；(2)不能实时反映排采关键数据，无法保证排采设备平稳、连续运行；(3)不能及时调整设备运行参数，有异常情况时不能及时维修；(4)人工成本高，工作效率低，劳动强度大；(5)多数井区交通不便，安全风险高。

综上所述，在传统排采控制阶段，最大的难题是人工调参的局限性：周期长、调节不及时、准确性差、劳动强度大、安全风险高等。因此需要开展尽可能降低人工干预程度的自动化排采控制技术研究［7］。

2 自动化排采工艺

2.1 研究和应用现状

煤层气井自动化排采有利于管理部门及时掌握煤层气井的各项工作状态，有效缩短故障处理时间和减少人工巡井的次数，提高煤层气生产现场管理水平，从而实现煤层气生产管理的信息化、精准化、稳定化和自动化。

自动化排采控制技术以控制井底流压为核心，结合煤层气田的储层特性和地质情况，根据气井的产气产水规律和井底流压变化规律，人工预先设置井底流压的变化速度，监测系统采集井底流压变化情况，控制器自动计算并通过控制变频器调整抽油机冲次、电机转速等，可实现煤层气生产过程长期、连续、精准控制，以实现自动化排采［8］。

1987年，美国Burlington 公司研发了世界第1套煤层气自动化开采系统，并成功应用于圣胡安盆地。系统由计算机监控装置、遥控装置、中继线系统等部分组成，可实现煤层气现场的通迅、遥控、数据采集、计算和报警等功能，大大提高生产效率［9-10］。

国内石惠宁等［5］基于自动化控制原理，研发了以变频闭环控制技术为主的智能控制技术，实现对井底流压和排采制度智能控制；秦义等［11］基于“五段三压法”排采认识和策略，开发了专门的智能控制软件及对应设备，实现了井底流压的智能控制，现场应用效果良好；白利君［12］将一种适应于煤层气井的专用排采机应用于山西郑庄地区煤层气井，根据管理者的意愿，实现多项参数的自动采集记录储存，并自动生成最优工作制度；陈秀萍等［13］基于“双环三控法”控制认识和策略，采用适用于煤层气井的地面变频控制设备，实现了煤层气井从降液、解吸至产气等不同阶段的自动化排采控制。

2.2 现阶自动化排采工艺的不足

现阶段的自动化排采工艺需要根据人工事先设定的参数(如动液面下降速度、井底流压变化范围等)，设备自动调整抽油机冲次。无法根据现场的实际情况进行快速反应。

解决上述问题时，综合煤层地质因素、井筒工程因素、地面集输因素后，进行产能预测，制定未来排采控制制度的优化方案。

传统的产能预测方法有数学建模、软件建模、历史产气产水量分析等［3］。一些学者将预测煤层气产能的研究角度从动态生产的模型分析转移到历史排采井数据挖掘的机器学习方法上：通过对历史煤层气井的地质、工程、排采、集输大数据机器学习和挖掘，拟合出一套具有自适应煤层气井的智慧排采决策系统，实现一井一制度智慧排采。

3 基于机器学习的智慧排采工艺

机器学习算法可以根据实际情况自动优化排采策略，大大减少人工分析的过程，实现排采制度的快速决策和优化。

机器学习是从经验数据中学习数据表象背后的复杂关系和模式，并对此进行研究，以帮助机器自动决策，是一个跨领域的学科，与数据挖掘、人工智能、数理统计和计算机等学科都有密切联系。

目前，机器智慧学习算法在煤层气领域应用还处于萌发的起步阶段，常见的有神经网络技术、支持向量机技术及支持向量回归机技术等［14］。

神经网络是一种模拟动物神经行为特征的数学模型，基于对信息的分布储存和并行处理，具有自学习功能。神经网络根据系统的复杂程度，通过调整大量内部节点之间的互联方式，达到信息处理的目的；通过分析历史数据进行自学习，对控制参数进行调整，以达到最佳控制效果。

当抽采管路中的气体浓度发生动态变化时，通过逻辑可编程控制器来调整阀门开度，调整煤层气流量，可实现煤层气地面抽采的智慧控制［15］。基于神经元人工网络智能控制理论和智能动态专家库技术，自动排采控制方法可自动优化系统的各参数值，实现煤层气井均衡、稳定、精确排采［16］。潘庄CM1 井应用了基于时间序列预测思想的BP 神经网络模型进行实际产能预测，结果表明：该模型能准确预测煤层气井未来30 d 的产量变化情况，为煤层气井排采制度的制定和调整提供依据［17］。

神经网络技术还被应用于煤层气井开采模型中，用于优化通风，建立有监督的神经网络长壁矿井通风的瓦斯排量预测模型［18］。C.Ö.Karacan［19］利用智能优化控制方法进行了煤矿长壁工作面采空区的瓦斯通气孔排采性能预测。

支持向量机(SVM)是根据已有数据建立一种函数关系的映射，通过最大化分隔超平面与数据之间距离的方式来最小化泛化误差的上界，以此获得相应的解。20 世纪 90年代，V.Vapnik［20］首次提出支持向量机的通用学习方法，现已广泛应用于各领域。一般对小样本学习而言，支持向量机的预测准确率要高于神经网络法［20-25］。煤层气排采不同产层的水源来源识别中引入支持向量机的分析方法，通过建立二叉树结构的支持向量机模型，识别煤层气井的产出水源，计算准确率高于80%［21］。

故障诊断方面，建立单井故障诊断模型，将支持向量机与模糊聚类算法相结合，并利用粒子群算法对模型参数进行优化，用于煤层气井具有良好的故障诊断效果和自学习能力［22］。基于模糊型支持向量机故障诊断模型还可预先处理并确定训练样本数据的模糊隶属度，实现故障类型的有效诊断［23］。

在产能预测方面，支持向量机技术拥有在非线性预测领域的优势，将改进的混合粒子群优化算法和支持向量回归机等技术应用于煤层气井的产能预测中，在沁水盆地南部樊庄区块的近20 口井进行了产能预测应用［14］。依据智能计算方法，基于贝叶斯证据框架和混沌时间序列的最小二乘支持向量机(LS-SVM)的煤层气产能预测模型在产能预测方面优于BP 神经网络和SVM 预测方法［3］。

颜爱华［24］基于支持向量机理论的瓦斯含量预测模型，利用工具箱结合现场实测数据对模型进行了求解预测，并对比神经网络预测模型、多元线性回归预测模型，发现支持向量机理论模型的预测结果与现场实测值的误差最小。

此外基于支持向量机的井底流压预测模型可以用于预测煤层气井的井底流压变化趋势，具有良好的预测和分析效果［25］。

综上所述，目前神经网络主要在排采控制、产能预测方面已展开研究。支持向量机技术则主要应用于产能预测和故障诊断、水位检测等其他方面，在智慧排采控制方面研究较少。随着人工智能和大数据时代的到来，机器学习算法在煤层气排采中初步取得了一定的成果，但还处于起步阶段。

4 智慧排采技术发展方向及面临的挑战

煤层气排采控制技术未来的发展方向是充分利用机器学习算法和人工智能技术，形成智慧排采决策系统，为煤层气井实现智能化和数字化气田管理、提高劳动生产率、节能降耗提供有力的保障，并且为未来煤层气举升装备的发展提供新的发展方向。与此同时，嵌入机器学习算法的智慧排采技术在煤层气领域的推广也会面临许多挑战：一是在数据库建设方面，机器学习算法需要大量的训练样本，样本数量越多，算法程序自动分析出来的规律越准确。这里的样本指的是煤层气井的生产数据，需要建立一个有足够样本的数据库平台，以便对未来新井的开采提供数据支撑；二是需要进一步完善监测技术，气体在煤层中的流动是一个极其复杂的动态过程，影响产量的因素很多，现有的监测技术大多关注井底流压、套压、动液面、产气、产水、冲次、冲程等基本参数，且记录周期较长，不利于进行动态分析，因此需要对更多生产参数(储层压力分布、卸压面积、解吸面积等)进行监测，并且建立动态连续的数据采集系统；三是需要挖掘产量与各生产参数之间的内涵关系，由于煤层气的解吸-扩散-渗流过程的复杂性，数据之间的关系大多表现为非线性，要挖掘其中的内涵关系，必须结合统计学、力学、地质学、热学等多各学科进行综合分析。

5 结论

(1)应用机器学习算法的智慧排采工艺替代传统排采工艺和自动化排采工艺，是煤层气排采控制工艺的必然发展方向和结果。

(2)对自动化排采技术跨领域引入机器学习算法，形成煤层气智慧排采控制决策系统，预先进行煤层气产能预测，无需人为干预，智慧实时调整排采参数，实现煤层气产能的最大化。

(3)目前机器学习算法在煤层气领域的应用还处于起步阶段，同时也面临着许多挑战。未来随着智慧排采系统的完善，它不仅可以应用在排采控制阶段，同样在地质、工程、集输等方面也有良好的研究和应用前景。