[发明专利]一种计算煤层含气量的方法

说明书

技术领域

本发明涉及煤层气勘探与开发领域，具体地讲，涉及一种计算煤层含气量的方法。

背景技术

煤层气是非常规油气中十分重要的洁净能源，其资源量大，勘探程度低，发展潜力巨大。煤层气的勘探开发对于增加天然气的有效供给、提高煤炭及天然气资源的安全开发及综合利用、发展绿色经济等都具有十分重要意义。在煤层气的勘探开发过程中，煤层含气量是评价煤层气资源量的关键参数之一。煤层含气量直接影响着煤层气储层开发方案的制定。

目前，除了实验室测量煤层含气量外，计算含气量的方法主要有：统计法、背景值法、等温吸附法以及神经网络法等。

1、统计法

该方法主要是运用数学统计原理，寻找含气量与测井曲线或者工业组分之间的关系，建立预测含气量的数学模型。该方法简单直接，但也存在计算结果不准确等问题。

2、背景值法

煤层含气后，其密度测井值、声波时差值、补偿中子值都会发生相应的变化。确定煤层在不含天然气时的测井曲线值，根据煤层气层与背景值之间的差异，利用体积模型计算煤层气层的含气量。

3、等温吸附法

普遍认为煤对甲烷的吸附属于物理吸附，并且采用等温吸附模型来表征。等温吸附模型通常采用兰氏方程来描述，其中兰氏体积与兰氏压力与工业组分存在一定的关系，在确定工业组分后，可通过压力得到含气量。目前，在兰氏方程的基础上发展了多种改进方法，通过引入灰分、固定碳以及地层温度等因素来修正兰氏方程，使计算结果更加符合实际地层。

4、神经网络法

主要采用BP神经网络算法来计算含气量，BP神经网络的学习过程由正向传播和反向传播两部分组成。在正向传播过程中，从输入层经隐含层处理并传向输出层，如果输出层不是期望的输出，则误差从输出层向输入层传播，即反向传播。在反向传播过程中调整各层间连接权以及各层神经元的偏置值，以便减小误差，直至达到满意的输出值为止。BP神经网络算法输入层分别为测井曲线值，输出层为煤层含气量等参数。

在实现本发明的过程中，发明人发现现有技术至少存在以下缺点：

以上几种计算煤层含气量的方法中，其中统计法相对简单直接，但存在计算结果不准确等特点；背景值法中背景值的选取困难，难以得到完全不含气的煤层背景值；等温吸附法需要进行等温吸附试验，对于灰分和固定碳的校正还需对煤心进行工业组分分析，其获取过程繁琐；BP神经网络算法计算结果相对准确，但计算过程相对复杂，需要大量的样本进行学习。

发明内容

为了实现对煤层含气量的准确、快速计算，使煤气层的求取更方便、成本更低，并能实现连续井段煤层含气量的获取，本发明提供了一种计算煤层含气量的方法，使煤层含气量更加符合实际地质情况。

所述技术方案如下：一种计算煤层含气量的方法，所述方法包括如下步骤：

选取所测地区的系列煤心样品，测取各煤心样品所对应的最大镜质体反射率R_max及各煤心样品所对应井段的测井曲线值；建立最大镜质体反射率R_max与煤层含气量参数R之间的关系；根据各测井曲线值、煤层含气量参数R建立与煤层含气量V_gas间的计算关系式。

进一步，所述的各煤心样品所对应井段的测井曲线值包括：声波时差AC，岩性密度DEN，补偿中子CNL，原状地层电阻率R_t和自然伽马GR。

所述的原状地层电阻率R_t采用深浅双侧向测井中的深侧向的测井曲线值。

所述的煤层含气量参数R与最大镜质体反射率R_max的关系通过以下关系式表示：