李 萍 吉 勇 熊 杰 劉 昊 馮吳祥 王 棟
(陜西韓城天久注漿勘探有限責(zé)任公司,陜西 715400 )
BP神經(jīng)網(wǎng)絡(luò)補償算法在煤層氣井產(chǎn)量預(yù)測中的應(yīng)用
李 萍1吉 勇2熊 杰2劉 昊3馮吳祥3王 棟3
(陜西韓城天久注漿勘探有限責(zé)任公司,陜西 715400 )
為了精細監(jiān)測和了解排采過程煤儲層參數(shù)的動態(tài)變化,本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)補償算法,對未來一定時期的產(chǎn)氣、產(chǎn)水量進行了預(yù)測。對大佛寺典型的煤層氣水平井(DFS-C02井)進行實例分析,結(jié)果表明,未來30d的產(chǎn)水量、產(chǎn)氣量的平均相對誤差分別為0.79%(0.07~0.26%)和0.72%(0.01~2.4%),預(yù)測結(jié)果較準確。BP神經(jīng)網(wǎng)絡(luò)補償算法為煤層氣井的產(chǎn)量預(yù)測提供了一種新方法,同時為排采工作制度提供依據(jù)。
BP神經(jīng)網(wǎng)絡(luò) 補償算法 煤層氣井 產(chǎn)量預(yù)測
在煤層氣井排采階段,產(chǎn)量預(yù)測意義重大。針對煤層氣井建立一種有效的預(yù)測模型,以現(xiàn)有生產(chǎn)數(shù)據(jù)為基礎(chǔ),準確地預(yù)測出一段時間產(chǎn)量情況,將為后期排采安排提供支持。本文構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)補償算法的預(yù)測模型,以DFS-C02井歷史生產(chǎn)數(shù)據(jù)對未來產(chǎn)量的變化進行預(yù)測與驗證。
人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network 簡稱ANN)對人腦神經(jīng)元網(wǎng)絡(luò)進行抽象,按不同的連接方式建立某種簡單模型組成多種網(wǎng)絡(luò)的一種信息處理方式,通常簡稱為神經(jīng)網(wǎng)絡(luò)。ANN由大量的節(jié)點(或稱神經(jīng)元)之間相互聯(lián)接構(gòu)成。每個節(jié)點代表一種特定的輸出函數(shù),稱為激勵函數(shù)。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權(quán)值,稱為權(quán)重。根據(jù)不同的連接方式,權(quán)重值和激勵函數(shù)也隨之改變。目前ANN應(yīng)用最廣的是多層神經(jīng)網(wǎng)絡(luò)及誤差逆?zhèn)鞑W(xué)習(xí)算法。在多層感知器的基礎(chǔ)上增加誤差逆?zhèn)鞑バ盘柗Q為誤差逆?zhèn)鞑サ那跋蚓W(wǎng)絡(luò)(Back Propagation),簡稱BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)具有較強的非線性映射能力、自學(xué)習(xí)能力和泛化能力,可以用在系統(tǒng)模型的辨識、預(yù)測或控制中。圖1常見的三層BP網(wǎng)絡(luò)。
圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
為了實現(xiàn)對煤層氣井近期產(chǎn)量的實時動態(tài)預(yù)測,預(yù)測試驗采用時間序列來構(gòu)建網(wǎng)絡(luò)預(yù)測模型。利用煤層氣井歷史排采數(shù)據(jù)來訓(xùn)練和檢驗。根據(jù)檢驗效果,不斷調(diào)整網(wǎng)絡(luò)權(quán)值和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),得到一個誤差較小、結(jié)構(gòu)穩(wěn)定、預(yù)測結(jié)果理想的網(wǎng)絡(luò)結(jié)構(gòu)。運用構(gòu)建好的網(wǎng)絡(luò)預(yù)測模型,對煤層氣井未來30d內(nèi)的產(chǎn)能大小進行預(yù)測。
2.1 網(wǎng)絡(luò)層數(shù)設(shè)計
對于煤層氣井這樣復(fù)雜的系統(tǒng)而言,提高BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力的最好方法為增加隱含層數(shù)目。另一方面,過多的隱含層數(shù)目也會使預(yù)測結(jié)果不理想。在多次試驗和仿真的綜合考慮下,本文選取含有兩個隱含層的4層BP神經(jīng)網(wǎng)絡(luò),并在其基礎(chǔ)上提出了一種補償算法來改善不良因素對預(yù)測效果的影響。
2.2 網(wǎng)絡(luò)節(jié)點的選取和樣本數(shù)據(jù)的預(yù)處理
在預(yù)測未來煤層氣井的產(chǎn)能中,需要考慮實際生產(chǎn)中多重影響產(chǎn)能的因素。其主要表現(xiàn)在煤層氣井前期的產(chǎn)水量、產(chǎn)氣量和井底流壓,以及前期和未來煤層氣井的井泵轉(zhuǎn)速、動液面深度、套壓和井底壓力的大小。在建立了多個網(wǎng)絡(luò)模型并進行多次對比預(yù)測后,本文最終確定了8個BP神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù),見表1。經(jīng)過反復(fù)模擬預(yù)測,將輸出節(jié)點確定為四個,對應(yīng)輸出量分別為:未來30d每天的產(chǎn)氣、產(chǎn)水量、累計產(chǎn)氣和產(chǎn)水量。
表1 輸入節(jié)點及含義
在輸入層輸出層的實際參數(shù)中,數(shù)據(jù)之間差距過大,會使BP網(wǎng)絡(luò)麻痹。為了提高BP網(wǎng)絡(luò)的泛化能力,有必要對輸入數(shù)據(jù)做歸一化處理。公式如下:
(1)
式中歸一化前后的變量數(shù)據(jù)分別表示為X、X*,樣本數(shù)據(jù)中的最大值和最小值分別表示為Xmax、Xmin。
數(shù)據(jù)在歸一化后,其預(yù)測結(jié)果亦為歸一化后的值,因此必須完成預(yù)測結(jié)果反歸一化處理。通過(1)式可得:
X=X*(Xmax-Xmin)+Xmin
(2)
2.3 BP網(wǎng)絡(luò)參數(shù)的選取
以三層BP神經(jīng)網(wǎng)絡(luò)為例,設(shè)網(wǎng)絡(luò)結(jié)構(gòu)為M×Q×4。取不為負的sigmoid函數(shù)作為輸出節(jié)點為產(chǎn)水量和產(chǎn)氣量的激發(fā)函數(shù),取正負對稱的雙曲正切函數(shù)作為其他層的激發(fā)函數(shù)。BPNN輸入層的輸出公式如下:
(3)
網(wǎng)絡(luò)的隱含層輸入,輸出為
(4)
網(wǎng)絡(luò)的輸出層輸入、輸出為
(5)
根據(jù)對實際預(yù)測對象的大量實驗仿真,本文取初始權(quán)值為(-0.5,0.5)之間的隨機數(shù)。初始學(xué)習(xí)速率的取值為0.01。
2.4 BP神經(jīng)網(wǎng)絡(luò)補償
由于BP神經(jīng)網(wǎng)絡(luò)易出現(xiàn)局部極小值的問題。在實際預(yù)測中表現(xiàn)為容易出現(xiàn)局部預(yù)測值跑偏。因此本文提出一種補償算法對煤層氣井的產(chǎn)水量與產(chǎn)氣量進行優(yōu)化預(yù)測。具體公式如下
ΔE=Ei-Ei-1
(6)
式中Ei為累計產(chǎn)能,ΔE為預(yù)測累計量下得到的間接日產(chǎn)量。
ei-ΔE=z1
(7)
ei-yei=z2
(8)
式中ei為第i天日產(chǎn)量,yei為預(yù)測的直接日產(chǎn)量,z1、z2為絕對誤差。
y=αz1+βz2
(9)
(10)
根據(jù)上述補償算法原理及BP神經(jīng)網(wǎng)絡(luò)的學(xué)歷訓(xùn)練過程可以得到BP神經(jīng)網(wǎng)絡(luò)補償算法的訓(xùn)練過程,如圖2。
圖2 BP神經(jīng)網(wǎng)絡(luò)補償算法訓(xùn)練過程
選取大佛寺典型的C02煤層氣井為預(yù)測實例,C02井位于大佛寺中部,排采目標煤層為4號煤層,煤層埋深為593.1m。C02井從開采日2011年8月15日至本文采樣截止日2014年7月27日,共1077天,現(xiàn)在仍處于排采狀態(tài)。目前該煤層氣井排采正處于穩(wěn)氣上升階段,現(xiàn)最高產(chǎn)氣量為22500m3。
選取2013年10月1日至2014年6月30日作為預(yù)測研究對象。選取其中240天作為數(shù)據(jù)預(yù)測樣本,其余31天為生產(chǎn)中的設(shè)備檢修及其他因素。將2014年6月作為預(yù)測和檢驗?zāi)繕?。為了得到圖像的預(yù)測趨勢,本文在預(yù)測時多加了一組預(yù)測值。根據(jù)前文所述,選取網(wǎng)絡(luò)結(jié)構(gòu)為8-16-32-4的四層BP神經(jīng)網(wǎng)絡(luò)。由于產(chǎn)水量和其他三個輸出量的數(shù)量級不在同一級別,因此設(shè)定產(chǎn)水量和其他三個輸出量的預(yù)測精度分別為1e-6和1e-9,設(shè)定訓(xùn)練次數(shù)為5000次。通過網(wǎng)絡(luò)訓(xùn)練輸出樣本,得到預(yù)測結(jié)果和絕對誤差見圖3~8。
圖3 產(chǎn)水量預(yù)測值與實際值對比
圖4 產(chǎn)水量絕對誤差圖
圖5 產(chǎn)氣量預(yù)測值與實際值對比
圖6 產(chǎn)氣量絕對誤差圖
圖7 總產(chǎn)水量預(yù)測值與實際值對比
圖8 總產(chǎn)氣量預(yù)測值與實際值對比
通過預(yù)測圖形可以看出BP神經(jīng)網(wǎng)絡(luò)能夠較為準確的預(yù)測出6月份產(chǎn)水量和產(chǎn)氣量的值。預(yù)測結(jié)果的平均相對誤差為1.19%和1.08%。產(chǎn)能實際值與預(yù)測值變化規(guī)律基本相符,且大部分存在誤差亦在允許范圍內(nèi)。由于BP神經(jīng)網(wǎng)絡(luò)的局限性,部分數(shù)據(jù)誤差較大,對預(yù)測結(jié)果有一定的影響,因此可以采用累計產(chǎn)量對日產(chǎn)量進行補償來減小局部誤差,提高整體預(yù)測的準確度。補償后的預(yù)測值與相對誤差見圖9~10。
圖9 產(chǎn)水量補償后相對誤差分布圖
圖10 產(chǎn)氣量補償后相對誤差分布圖
根據(jù)圖表可以得出補償后產(chǎn)水量和產(chǎn)氣量的相對誤差值下降至0.79%和0.72%。30天中產(chǎn)水量和產(chǎn)氣量的相對誤差絕對值分別有19天和23天分布在小于1%的區(qū)間內(nèi)。分布在2%至3%的天數(shù)分別只有2天和1天。最大相對誤差分別為2.36%和2.40%,最小分別為0.07%和0.01%。
本文通過建立BP神經(jīng)網(wǎng)絡(luò)補償算法下的產(chǎn)能預(yù)測模型對煤層氣井的產(chǎn)水量與產(chǎn)氣量進行短期預(yù)測。通過分析DFS-C02井排采數(shù)據(jù)可以得出:現(xiàn)產(chǎn)氣階段,無論定壓排采還是定量排采,只要工作制度保持平穩(wěn),產(chǎn)水量與產(chǎn)氣量預(yù)測結(jié)果都較為準確,即可以把預(yù)測結(jié)果的相對誤差控制在3%以內(nèi);較補償前補償后產(chǎn)水量和產(chǎn)氣量的相對誤差可下降至0.79%和0.72%。因此利用產(chǎn)氣與產(chǎn)水的變化規(guī)律,建立BP神經(jīng)網(wǎng)絡(luò)補償算法下的數(shù)學(xué)模型并對其進行預(yù)測,有利于對低階煤區(qū)煤儲層參數(shù)(含氣量、滲透率、水力參數(shù))隨壓降變化規(guī)律的認識,指導(dǎo)后期煤層氣開發(fā)。
[1] 候媛彬,杜京義,汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安電子科技大學(xué)出版社,2009,45(29):211-213.
[2] 陳虎維,呂進國.基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建礦床模型的估值方法[J].遼寧工程技術(shù)大學(xué)學(xué)報:自然科學(xué)版,2009,28(4):537-540.
[3] 孟召平,田永東,雷旸.煤層含氣量預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型與應(yīng)用[J].中國礦業(yè)大學(xué)學(xué)報,2008,37(4):456-461.
[4] 吳觀茂,黃明,李剛.基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯含量預(yù)測[J].煤田地質(zhì)與勘探,2008,36(1):30-33.
[5] 吳財芳,曾勇,張子戌.自適應(yīng)神經(jīng)網(wǎng)絡(luò)在瓦斯含量預(yù)測中的應(yīng)用[J].遼寧工程技術(shù)大學(xué)學(xué)報:自然科學(xué)版,2003,22(5):609-612.
[6] 周晶晶,賀勇,諸克軍.基于主成分BP神經(jīng)網(wǎng)絡(luò)的油田產(chǎn)量預(yù)測研究[J].統(tǒng)計與決策,2008(13):35-37.
[7] 何曉群.多元統(tǒng)計分析[M].北京:中國人民大學(xué)出版社,2004.
[8] 史忠植.人工神經(jīng)網(wǎng)絡(luò)[M].北京:高等教育出版社,2009:102-156.
[9] 鞠琴,郝振純,余鐘波.基于人工神經(jīng)網(wǎng)絡(luò)的降水徑流模擬研究[J].遼寧工程技術(shù)大學(xué)學(xué)報:自然科學(xué)版,2007,26(6):940-943.
[10] 呂玉民,湯達禎,李治平,等.煤層氣井動態(tài)產(chǎn)能擬合與預(yù)測模型[J].煤炭學(xué)報,2011,36(9):1482-1484.
[11] 蘇復(fù)義,蔡云飛.數(shù)值模擬技術(shù)在柳林煤層氣實驗區(qū)的應(yīng)用[J].天然氣工業(yè),2004,24(5)95-96.
[12] 馬旭,張弛,陳小凡.基于主成分的BP神經(jīng)網(wǎng)絡(luò)煤層氣產(chǎn)能預(yù)測方法[J].科技與產(chǎn)業(yè),2013,13(11):97-100.
[13] 王宇,李治平,劉超.基于分形與ARIMA的煤層氣產(chǎn)量預(yù)測天然氣與石油[J].天然氣與石油,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.
(責(zé)任編輯 丁 聰)
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,碩士,從事煤層氣勘探開發(fā)工作。