深层煤层气储层损害智能评价方法

本发明涉及一种深层煤层气储层损害智能评价方法，属于深层煤层气储层开发。

背景技术：

1、与常规气藏相比，煤层气储层具有机械强度低、裂隙发育、非均质性和各向异性、表面积大等特点。因此，在钻井、完井和生产过程中都可能发生对煤炭的潜在损害。

2、煤层损害是指煤层气井开发和采收导致储层渗透率降低和储层质量降低，会严重影响煤层气的生产率。在开发的全过程中，必须尽可能减少储层损害带来的不利影响，需要提前预测储层损害发生的可能性并评价储层损害的程度，以保证良好的生产效益，避免或减小钻完井和生产过程中发生的储层损害带来的不利影响。目前常规的储层损害评价技术和方法都依赖于常规的现场经验判断和实验室反复实验的测试数据来进行评价和分析，时间和金钱成本较为昂贵，评价结果的准确性和科学性也存在欠缺。为此，提出本发明。

技术实现思路

1、针对现有技术的不足，本发明提供一种深层煤层气储层损害智能评价方法，提出将神经网络算法应用在煤层气储层损害评价的新策略，评价的权重结果更为科学，相比单一的主观评价法和客观评价法，具有更高的科学性，同时减少了时间和成本的消耗，有助于对深部煤层气储层损害进行快速准确且科学的评价。

2、本发明的技术方案如下：

3、一种深层煤层气储层损害智能评价方法，步骤如下：

4、s1：收集岩心数据，获取不同低渗透油气藏岩心样本数据，样本数据包括不同低渗透油气藏岩心的特征参数；

5、s2:构建含有智能化指标的深层煤层气储层损害程度综合评价指标体系，包括一级指标和与一级指标相对应的二级指标；

6、s3:利用熵权法计算权重；

7、s4:利用层次分析法计算权重；

8、s5:利用神经网络法计算权重；

9、s6:将步骤s3得到的熵权法权重、步骤s4得到的层次分析法权重的结果与步骤s5得到的权重值通过加权平均判决法进行模糊推理，得出各指标最合理权重值。

10、优选的，步骤s1中，深层煤层气储层岩心的特征参数包括以下参数的一个或多个：渗透率、孔隙度、孔容、表面积、地层类型、胶结类型、颗粒分选性、储层损害前渗透率、储层损害后渗透率、石英含量、钾长石含量、斜长石含量、方解石含量、白云石含量、黄铁矿含量、粘土总量、菱铁矿含量、蒙皂石含量、伊利石含量、高岭石含量、绿泥石含量、伊蒙混层含量、绿蒙混层含量、润湿性、相对渗透率、地层水矿化度和地层水ph值。

11、优选的，步骤s2中，一级指标包括岩心的物理性质、储层渗透损害率、岩心的各组分含量、储层的渗流特性、储层的地层水性质；

12、一级指标中的岩心的物理性质对应的二级指标包括渗透率、孔隙度、孔容、表面积、地层类型、胶结类型和颗粒分选性；

13、一级指标中的储层的渗透损害率对应的二级指标包括储层损害前渗透率和储层损害后渗透率；

14、一级指标中的岩心的各组分含量对应的二级指标包括石英含量、钾长石含量、斜长石含量、方解石含量、白云石含量、黄铁矿含量、粘土总量、菱铁矿含量、蒙皂石含量、伊利石含量、高岭石含量、绿泥石含量、伊蒙混层含量和绿蒙混层含量；

15、一级指标中的储层的渗流特性对应的二级指标包括润湿性和相对渗透率；

16、一级指标中的储层的地层水性质对应的二级指标包括地层水矿化度和地层水ph值。

17、优选的，在所述步骤s3中，利用熵权法计算如下：

18、(1)构造原始指标数据矩阵

19、

20、矩阵中，xij为第i个指标下第j个项目的评价值,其中i≤m，j≤n，m为评价对象的总数量，n为第i个评价对象下的项目的总数量；

21、(2)各标度下二级指标进行同度量化，计算第i项指标下第j方案指标值比pij；

22、

23、(3)计算第i项指标的熵值ei

24、式中：k>0,ln为自然对数；

25、(4)计算第i项指标的客观权重，对于给定的i，xij的差异性越小，则ei越大；当xij全部相等时，ei＝emax＝1，对于方案的比较，指标cj几乎无作用；xij相差越大时，ei越小，该项指标对于方案比较所起的作用越大；客观权重值vi与ei成反比，所以第i项指标的权重可由1-ei来度量；由熵权法求得的各指标的客观权重为：

26、

27、优选的，在所述步骤s4中，利用层次分析法计算权重的方法如下：

28、ⅰ、设定评估对象调查表，如下所示：

29、

30、上表中bji反映了指标j相对于指标i的重要程度，其中m为评价指标的个数，i、j≤m；

31、ⅱ、依据评估对象调查表建立判断矩阵：

32、

33、ⅲ、求判断矩阵b的最大特征值λmax及其对应的特征向量v：

34、bv＝λmaxv

35、iv、求各指标权重：

36、

37、ⅴ、随即一致性检验cr为：

38、

39、式中，ci为一致性指标；ri为平均随机一致性指标；一致性指标ci依下式确定：

40、

41、式中，m为判断矩阵阶数，当m＝1，2时不需检验；

42、随机一致性指标ri依据下表获得取值：

43、 m 1 2 3 4 5 6 7 8 9 10 11 ri 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51

44、一般认为一致性指标cr<0.1时，矩阵b的不一致程度在容许范围之内，有满意的一致性，通过一致性检验，用其归一化特征向量作为权向量，否则重新构造矩阵b，调整bij后再次计算权重，直至通过一致性检验；

45、优选的，步骤s5中，神经网络是是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一；bp网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程；它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小利用；bp神经网络模型分为输入层(input)、隐层(hide layer)和输出层(output layer)；

46、bp网络通过对样本的学习获取知识，对于一个网络，样本的获取尤为重要；样本可分为训练样本和测试样本；训练样本和测试样本的输入均为各指标实际数据值，输出为各指标的分值；

47、神经网络三层模型定义：

48、输入层：x＝xi,i＝1,2,…,n，其中xi为输入的指标原始数据值；

49、变换函数f(x)为连续、可导的单极性sigmoid函数：

50、其中e为自然常数；

51、f‘(x)＝f(x)[1-f(x)]

52、隐层：yj＝f(netj),j＝1,2,…，l，其中yj为经归一化处理的隐层输出值；

53、netj＝∑nvijxi，其中，vij为对应指标的隐层权重值，netj为对应指标的隐层输出信号；

54、输出层：

55、其中，yj输入信号线性组合器的输出，wjk为权重值，netk为输出信号。

56、根据本发明优选的，步骤s5中，利用神经网络法计算二级指标权重的方法如下：

57、①对所有权值赋初值，随机地给全部权值和神经元的阈值附以初始值；

58、②给定输入和输出的训练样本；

59、③计算各层实际输出；

60、④修正权值，根据输出计算值与实际值的偏差，从输出层反向逐层调整权值，直至输入层，通过修正各权值，使偏差e落到设定值之内，达到偏差精度或循环次数要求，输出结果，否则，返回步骤②。

61、根据本发明优选的，步骤③中，通过评估软件获取的数据，没有统一的量纲，因此要对初始数据进行量化和归一化的处理；bp神经网络模型的隐层采用sigmoid转换函数，为提高训练速度和灵敏性以及有效避开sigmoid函数的饱和区，因此，要对输入数据量化和归一化处理，使输入限制在0～1之间；

62、对数据标准化处理：其中xi为输入的指标原始数据值，xmin和xmax分别是输入的指标最小和最大原始数据；

63、隐层：其中e为偏差值，vij为隐层的指标权重值，δvij为隐层指标权重值的修正值，netj为隐层的输出信号值；

64、输出层：其中e为偏差值，wjk为输出层的指标权重值，δwjk为输出指标权重值的修正值，netk为输出层的输出信号值；

65、根据本发明优选的，步骤④中，修正过程为，对隐层和输出层各定义一个误差信号，分别为和则：

66、

67、

68、由netj＝∑nvijxi，调整权重值：

69、

70、

71、由其中，yk为输出层的目标输出值，为经过归一化处理的输出层输出信号，综合上述方法得：

72、

73、

74、根据本发明优选的，步骤s6，具体的，设有各指标权重值的论域为{x1j，x2j，x3j}，x1j为步骤s3的熵权法计算的第j个指标的权重值；x2j为步骤s4的层次分析法计算的第j个指标的权重值；x3j为步骤s5的神经网络法计算的第j个指标的权重值，各指标的最合理权重值的模糊量表示为：

75、uj＝0.4/x1j+0.6/x2j+1.0/x3j

76、采用加权平均判决法，得：

77、

78、其中，μ(xij)为第i个方法计算的第j个指标的权重值的隶属度。

79、本发明未详尽之处，均可参见现有技术。

80、本发明的有益效果在于：

81、1、本发明提出神经网络算法应用在煤层气储层损害评价的新策略，构建了神经网络三层模型，相比单一的主观评价法和客观评价法，评价的权重结果更为科学，同时减少了时间和成本的消耗，有助于对深部煤层气储层损害进行快速准确且科学的评价。

82、2、本发明根据以往实验数据积累和实地评价经验设计出具有一定合理性的初始权重数据矩阵来代替随机的初始数据矩阵，使权重的计算更准确。