Influence of rock mechanics characteristics on fracturing and development strategies in the Zhengzhuang Block
-
摘要:
煤储层岩石力学特征对天然裂缝的形成演化及人工裂缝的扩展规律具有重要控制作用，是影响煤储层压裂改造的关键因素。为明确郑庄区块岩石力学特征和压裂裂缝发育规律，实现煤储层高效改造和开发，利用阵列声波测井资料建立纵横波转换模型，基于岩石力学参数试验和测井计算建立动静态岩石力学参数转换模型，利用声波时差、密度等常规测井数据，计算得到郑庄区块岩石力学参数分布规律。在此基础上，利用FrSmart压裂模拟软件建立郑庄区块不同井区水平井的地质力学模型，开展压裂模拟探究岩石力学参数和压裂规模对压裂裂缝形态的影响，并针对不同井区提出差异化开发对策。结果表明：郑庄区块静态弹性模量在0.28～1.45 GPa，平均为0.95 GPa，静态泊松比为0.31～0.34，平均为0.32，整体呈不均匀分布。随着煤储层弹性模量的不断增大和泊松比的减小，压裂缝长和单缝宽均有逐渐减小的趋势。压裂缝长和单缝宽与压裂规模有正相关关系，增加压裂液量和砂量可以有效增加压裂缝长和单缝宽，提高裂缝体积。增大施工排量，压裂缝长、单缝宽、裂缝体积均大幅度增加。在郑庄区块北部开展大规模大排量压裂先导试验，裂缝监测结果显示：平均压裂缝长超400 m，缝宽在40 m以上，平均单段储层改造体积170×104 m3，改造效果较以往提升580%。在后续开发过程中，郑庄区块北部井区建议采用大规模大排量压裂，最佳井距为320 m；中北部井区建议采用中等压裂规模进行改造，最佳井距为300 m；西南部井区建议采用中等规模压裂，最佳井距为260 m。
Abstract:The rock mechanical parameters of coal reservoirs play an important role in controlling the formation and evolution of natural fractures and the propagation of artificial fractures, and are the key factors affecting the fracturing transformation of coal reservoirs. In order to clarify the characteristics of rock mechanical parameters and the development law of fracturing fractures in Zhengzhuang Block, and realize the efficient transformation and development of coal reservoirs, a longitudinal and transverse wave conversion model was established based on array acoustic logging data, a dynamic and static rock mechanical parameter conversion model was established based on rock mechanical parameter tests and logging calculations, and the distribution law of rock mechanical parameters in Zhengzhuang Block was calculated by using conventional logging data such as acoustic time difference and density. On this basis, the FrSmart fracturing simulation software was used to establish the geomechanical models of horizontal wells in different well areas in the Zhengzhuang Block, and the fracturing simulation was carried out to explore the influence of rock mechanical parameters and fracturing scale on the fracture morphology, and propose differentiated development strategies for different well areas. The results show that the static Young’s modulus of Zhengzhuang Block is between 0.28−1.45 GPa, the average value is 0.95 GPa, the static Poisson’s ratio is 0.31−0.34, and the average value is 0.32, and the overall distribution is uneven. With the continuous increase of Young’s modulus and the decrease of Poisson’s ratio in coal reservoirs, the length of fracturing fractures decreases gradually, and the width of fracturing fractures gradually increases. There is a positive correlation between fracture length and fracture width and fracture scale, and increasing the amount of fracturing fluid and sand can effectively increase the fracture length and width and increase the fracture volume. With the increase of construction displacement, the length, width and volume of fractures were greatly increased. The pilot test of large-scale and large-displacement fracturing was carried out in the northern part of the Zhengzhuang Block, and the fracture monitoring results showed that the average fracture length was more than 400 m, the fracture width was more than 40 m, and the average volume of single reservoir reconstruction was 170×104 m3, and the transformation effect was increased by 580% compared with the past. In the subsequent development process, it is recommended to use large scale and high displacement fracturing in the northern well area of Zhengzhuang Block, with an optimal well spacing of 320 m; It is recommended to use a moderate fracturing scale for the renovation of the central and northern well areas, with an optimal well spacing of 300 m; It is recommended to use medium scale fracturing in the southwestern well area, with an optimal well spacing of 260 m.
-
0. 引 言
微震监测技术作为一种实时、动态、连续的监测手段，最初运用于地震的监测与定位。随着生产的需要，在矿山、石油和爆炸测试等探测工程中也得到了广泛应用[1-2]。震源定位是微震技术应用的基础，也是国内外研究的重点和热点。震源定位过程可以看作一个搜索策略的问题，通过一系列的步骤来提取波形特征信息，然后通过特定的物理模型来拟合震源的具体位置[3-4]。传统的基于到时不同理论的震源定位方法是在近场监控区域内，将大量传感器节点埋设在地下不同深度和位置，通过自组织的网络采集震源产生的震动信号，分析各个节点采集到的震动信息的特征，通过球面波的到时和理论到时差的最小值以及波速和传感器空间坐标来实现震源定位。例如最短路径震源定位方法[5-6]，全波形反演定位方法[7]，经典Geiger法[8-9]，Thurber法[10]，多参数联合反演法[11]，波形信息法[12]。以上方法当错误地识别了初至时刻，就会对相位进行误拾，在低信噪比的情况下尤为明显。之后提出的震源扫描算法(Source-Scanning Algorithm，SSA)[13]通过迭代获得“亮度函数”拟合出震源中心，拟合过程更多的是考虑亮度的最大值，但震动波包含许多不同震相，这些震相蕴含着震源、传播路径等介质特征，这些信息并没有得到充足的利用，而且扫描过程中计算量巨大，难以达到在线检测的要求。
浅层微震震源定位方法本质上属于一般震源定位的特殊情况，它与天然地震主震发生后的余震是不同的。所以浅层微震定位可以借鉴天然地震余震震群定位方法，但又有所区别。目前国内外对震源定位的研究十分丰富。从数据域类型上可以分为时域定位方法和频率域定位方法；从方法类型上区分可分为基于走时和基于波形信息的定位方法；还包括近期被广泛研究的基于机器学习的定位方法和多参数联合反演的定位方法。
以上线性迭代的方法大多依赖于高质量的震动数据和完善的速度初始模型。并且在定位过程中，诸多的实际问题（信噪比、低频信息、激发的一致性等）是不可避免的，所以如何使用非线性方法解决高度的欠定问题，仍是微震线性迭代的最大瓶颈。
在过去的10年中，数据统计分析和音频信号处理领域对目标的识别和分析由于卷积神经网络的提出(CNN)有了长足的发展[14-17]。它利用大量的一维数据对预测和分析任务进行深度学习和训练。但是由于深度学习对高质量数据的要求，导致此方法在数据难以获取或者数据质量不高的领域发展缓慢。特别是在振动波探测定位领域，高质量数据的获取尤为困难。原因有三：
1)首先，由于每个传感器的采集时钟难以完全同步，导致在近场微震探测中，时间轴先天存在到时误差，从而基于到时的定位方法难以获得满意的精度。并且采集过程中的噪声也对震相的提取带来了困难。
2)其次，微震的现场环境难以仿真，由于不同的试验场存在不同的地形特点与地质特点，导致不同的测试环境有不同的速度场及震动传播方向，最终导致不同组数据间存在一致性偏差。
3)最后，由于震源采集数据的稀疏性，对于有监督学习，会出现网络输入数据特征显化性不足的问题，所以简单地把震源信号作为网络输入，网络会因为数据过于稀疏造成训练过程的欠拟合。
基于以上问题，提出了一种基于3D双流网络的方法来搜索震源位置。使用此方法训练获得的模型可快速从高信噪比的震动数据中搜索出震源地位置。该模型首先采用SSA扫描算法把特征信息不明显的一维振动波数据重建为三维的能量场数据，即把地震信号从时间域转化为能量域，然后通过对3D-CNN和LSTM网络的双通道组合，建立空间域−能量域−时间域三者的对应关系，从而更准确地对震源位置进行搜索。具体来说，通过3D-CNN网络建立能量场与震源中心的对应关系，采用梯度下降法进行网络学习，最后利用震动采集的时域特性通过LSTM网络进行震源中心的逐步逼近。
1. 3D双流网络的微震震源定位
1.1 数据的能量域转化
在浅层微震数据采集过程中，传感器的时钟难以完全同步，如果直接使用一维数据提取到时波形进行定位，就会有先天的误差。同时深度神经网络对输入数据质量的要求很高，如果一维数据噪音过大，特征过于离散将会导致模型不收敛或者不能达到全局最优。并且在矿井爆破等近场工程爆破应用场景数据采集过程中，当震动能量过大时会造成超出传感器采集量程的情况，从而产生数据的“削顶”，如图1所示，这种情况会导致震动信息的缺失和震相的提取困难。
针对以上问题，笔者采用扫描的方式对一维震动数据进行能量场反演，从而提升数据的维度。该方法不需要知道震源走向、倾角和断层规模等参数，仅考虑能量的传播，就可以方便地利用相对振幅和到时等波形数据检测到爆炸的时间和检测区域的能量场。
检波器在数据采集过程中，会根据时间的推移，对当前的震动能量进行记录，首先假设$ S $为震源的确切位置， $ \tau $为发震时刻(假设空间内的波速为$ v $)。做如下分析:
首先对原始震相的一维数据作规范化处理，对每个传感器的波列归一化得到$ {u}_{i} $并取绝对值，使得能量值锁定在一个固定的区间，其中$ {t}_{\eta i} $为该震相的走时：
$$ \left|{u}_{i}\left(\tau +{t}_{\eta i}\right)\right|\left(i=\mathrm{1,2},3,\cdots\cdots \right) $$ 对$ \left|{u}_{i}\left(\tau +{t}_{\eta i}\right)\right| $作平滑处理，$ {b}_{i} $为平滑后的数据，公式如下：
$$ {b}_{i}\left(\tau +{t}_{\eta i}\right)={\rm{smooth}}\left(\left|{u}_{i}\right|\right) $$ (1) 区域$ \eta (X,Y,Z) $内“亮度”峰值所在便是震源区域。对于传感器$ A $，任取一个震源位置$ \eta $，可以计算出一个脉冲的走时$ {t}_{\eta i} $，加上任意确定的发震时刻$ \tau $，便可在 $ {u}_{A}\left(t\right) $上取得一个值$ {u}_{A}(\tau +{t}_{\eta A}) $。如果检波器的总个数为$ N $，那么检波器$ i $在$ t $时间内记录的震动能量$ br $可表示为
$$ br\left(\eta ,\tau \right)=\frac{1}{N}\sum _{i=1}^{N}{b}_{i}(\tau +{t}_{\eta i}) $$ (2) 同理对于$ B,C $等传感器也一样，会得到以下函数：
$$ br\left(\eta ,\tau \right)=\left[{u}_{A}\left(\tau +{t}_{\eta A}\right)+{u}_{B}\left(\tau +{t}_{\eta B}\right)+{u}_{C}\left(\tau +{t}_{\eta C}\right)\right]/3 $$ (3) 假设把$ \tau -\eta $坐标系中每一个点都提取出来，计算$ br\left(\eta ,\tau \right) $值，即对整个时空进行扫描，那么必然能够在空间内重建出能量场并且计算出$ \tau $值和$ \eta $值，也就是大概的震源范围$ S $和发震时刻$ \tau $。
而且在实践中，由于对固定区域内的速度模型认识还不完善，每个测量点微震波起震点的到时可能与真实到达时间略有不同。因此，在使用振幅预测到达时间的基础上使用联合$ {u}_{n}\left(\tau +{t}_{\eta n}\right) $进行输入数据的调整，从扫描点的周边区域选取数据进行联合运算。因此需要对扫描公式进行修改，式中：$ M $为到达时间中心窗口内点的总数量；$ \delta t $为采集时间间隔；$ {M}_{i} $为传感器编号，$ {K}_{{M}_{i}} $为不同传感器的权重因子，该数值为观测到达与预测到达的时间差。可得公式：
$$ br\left(\eta ,\tau \right)=\frac{1}{N}\sum _{n=1}^{N}\left\{\frac{ \displaystyle\sum _{n=1}^{M}{K}_{{M}_{i}}\left|{u}_{n}(\tau +{t}_{\eta n}+{M}_{i}\delta t)\right|}{ \displaystyle\sum _{{M}_{i}=-M}^{M}{K}_{{M}_{i}}}\right\} $$ (4) 但是在真实数据中，波形由于非线性重塑，缺失有效低频信息，也使得预测定位结果与真实值存在差距。真实采集数据能量分布如图2所示，4个图分别为不同的震源产生的能量投影分布，说明不同的震源位置也会对能量分布造成影响。
并且通过对多传感器的时空信号进行三维能量聚焦成像后，所得到的$ \eta \left(X,Y,Z\right) $三维度能量场数据已备震源的空间信息，能量传播的时域信息以及多传感器之间的扰动信息。如图3所示，为该方法对浅层爆炸实测数据的扫描，可以直观地感测到多传感器之间的扰动，图3a为一个传感器扫描的高能量区域图，图3b为2个传感器扫描的高能量区域图，图3c为3个传感器扫描的高能量区域图，图3d为4个传感器扫描的高能量区域图，当代入4个传感器数据时，即可完成深度特征显化。
同样，随着对低能量区域的剥离，可看出最高能量处为真实震源区域。通过对高能量区域数值的提取可完成三维区域内的震源特征显化，但是高能量区域并不能完全等同于震源位置。因为在真实震源定位过程中，能量的聚焦受限于原始观测波形的质量和地下介质的速度参数，当地下介质的速度参数不准确或者原始观测波形数据质量较差时，震源位置可能出现在高能量区域边缘，甚至是区域以外。图4展示了能量场与震源的空间关系，能量场点云中每个点代表的最高能量为1，图中红色圆点为真实震源位置S；图4a中剥离能量小于0.5g的点；图4b中剥离能量小于0.6g的点；图4c中剥离能量小于0.7g的点；图4d中剥离能量小于0.73g的点。
微震信号的采集，本质上是时间−空间上能量信号的体现。所以时间维度信号上同样具备震源定位的关键信息。图5展示了随着时间维度扫描，能量场亮度的变化。图中曲线为能量场时间维度的能量强度曲线，通过对时间维度的抽样扫描，可以确定发震时刻的大概区间，使得检测区域内能量场强度最大。
1.2 3D-CNN 深度网络用于定位模型映射
在完成数据能量域转化之后，尝试使用深度卷积网络对能量域数据进行泛化从而提取特征。深度卷积网络本质是多层神经网络，从神经网络的角度分析，地震数据的采集过程可视为一个随机过程，而观测到的地震数据就是该随机过程的具体体现。故爆炸振动信号也可视为随机信号，而不是一个确定的信号，它具有均值，方差等统计特征。并且在实际重建过程中，数学模型与实际地质−地球物理模型不相符，观测的数据并不能完全反映地球物理模型的所有信息。那么，面对一个近似的数学模型，地震反演只能是在一定理论框架下的最优解，而不可能是精确解。因此，将地震波场的传播过程和地震数据记录过程看作是随机过程，从神经网络的角度来评价地震反演过程，并通过策略函数输出震源位置是具有重要意义的。
由于观测数据的随机性，观测数据的反演结果也是随机的。故其统计特征也可使用均值和方差来衡量。好的重建结果必然是无偏、方差最小的。无偏性通过与真实情况一致性的比较，确定了反演结果的正确性，方差最小则保证了估计结果具有最高的可靠性。为了获得这一结果，可使用Bayes理论进行反解的证明。
估计结果$ \widehat{m} $是由后验概率密度函数$ P\left(m\left|y\right.\right) $所决定的均值$ E\left\{m\left|y\right.\right\} $，其中$ d $代表观测数据。
$$ \widehat{m}=E\left\{m\left|d\right.\right\}=\int mP\left(m\left|d\right.\right){\rm{d}}m $$ (5) 由Bayes公式可以看出,$ P\left(m\left|d\right.\right) $的均值和方差主要由$ P\left(m\right) $、$ P\left(d\right) $、$ P\left(d\left|m\right.\right) $来决定的。对反演问题的求解可以认为是在$ P\left(m\right) $、$ P\left(d\right) $、$ P\left(d\left|m\right.\right) $约束下，使得$ P\left(m\left|d\right.\right) $最大化，并且期望均值为$ \widehat{m}=\int mP\left(m\left|d\right.\right){\rm{d}}m $时，模型空间的方差最小。目前，常规反演方法是假设$ P\left(m\right) $和$ P\left(d\left|m\right.\right) $均为高斯模型，在忽略观测系统不规则的前提下，假设$ P\left(d\right) $是标准的正态分布，则$ m $的后验概率密度可以表示为
$$ \begin{gathered} P\left(m\right)\propto {\rm{exp}}\left\{-\frac{1}{2}{\left[b\left(m\right)-{d}_{{\rm{obs}}}\right]}^{{\rm{T}}}{\mathit{C}}_{D}^{-1}\left[b\left(m\right)-{d}_{{\rm{obs}}}\right]+\right.\\ \left.\qquad {\left(m-{m}_{{\rm{prior}}}\right)}^{{\rm{T}}}{\mathit{D}}_{{\rm{M}}}^{-1}(m-{m}_{{\rm{prior}}})\right\} \end{gathered} $$ (6) 式中：$ {\mathit{C}}_{{\rm{D}}} $为数据协方差矩阵；$ {\mathit{D}}_{{\rm{M}}} $为模型的协方差矩阵。后验概率的最大化是贝叶斯反演的核心。这样就可将$ P\left(m\left|y\right.\right) $的最大化问题转化为目标泛函$ E\left(m\right) $的最小化问题。如果目标泛函$ E\left(m\right) $是一个严格凸的函数，那么$ E\left(m\right) $的极小值点是唯一的。求解$ E\left(m\right) $极小值点的收敛速度和解的稳定性，取决于$ E\left(m\right) $的二阶导数在模型空间各个方向上的比值的大小，此时各种最优化方法均可以用来求解其极小值点。如果$ E\left(m\right) $不是严格凸的函数，则$ E\left(m\right) $的极小值点不再唯一。
但是在浅层爆炸的实际应用场景下，正演问题$ b\left(m\right) $ 往往是非线性的，$ E\left(m\right) $这就造成了必然不是严格凸的函数。针对非凸函数的求解，深度神经网络一般通过损失函数和非线性激活函数进行求解。公式(7)为包含一个隐含层的神经网络损失函数表达式。
$$ {L}_{n}\left(a,W\right)=\frac{1}{n}\sum _{i=1}^{n}l({y}_{i},{{\boldsymbol{a}}}^{{\rm{T}}}\sigma ({{\boldsymbol{W}}}^{{\rm{T}}}{x}_{i}\left)\right) $$ (7) 式中：$ {\boldsymbol{W}} $为输入层与隐含层之间的权重；$ {\boldsymbol{a }}$为隐含层到输出层的权重；$ \sigma (\bullet ) $为激活函数。如果训练损失函数，需要输入$ n $组样本$ \left({x}_{i},{y}_{i}\right) $，$ {x}_{i} $为网络输入样本，$ {y}_{i} $为网络训练标签。
针对网络模型的收敛，使用了3D-CNN网络框架[18]，该框架最初用于视频的时间序列，通过利用视频中每一帧的连续性，使用三维的卷积核，对视频中的动作特征进行提取。使用3D-CNN网络对能量场数据的$ X,Y,Z $ 3个方向的采样点进行关联，提取出在三维环境下的能量分布特征信息。
如图6所示，笔者使用的3D-CNN网络框架共有5层组成，具体层数结构见表1。并且在每个卷积层，设定一个全连接系数，保证一定比例的数据可以在卷积核范围外实现数据的调整和交互。
表 1 3D-CNN网络框架参数Table 1. 3D-CNN network frame parameters层数 卷积 连接系数/% 卷积核大小 卷积核个数 输入层 $ 1\times 1\times 1 $ 1 0 2层 $ 3\times 3\times 3 $
$ 5\times 5\times 5 $
$ 7\times 7\times 7 $3 10 3层 $ 2\times 2\times 2 $
$ 3\times 3\times 3 $
$ 5\times 5\times 5 $3 30 4层 $ 3\times 3\times 3 $
$ 5\times 5\times 5 $
$ 7\times 7\times 7 $3 30 5层 $ 5\times 5\times 5 $
$ 7\times 7\times 7 $2 10 输出层 $ 1\times 1\times 1 $ 1 0 1.3 3D双流网络的震源中心逐步逼近
在使用深度神经网络对震源能量进行定位映射之后，即完成了对震动能量空间信息的显化，但是震动信号还同样具有时域特性，其符合震动动力学的演变过程。
笔者提出了3D双流网络的结构用于数据的特征提取和震源的逐步逼近，如图7所示，三阶段的网络流使用3D-CNN网络用于特征的提取，四阶段的网络流使用convLSTM[19]网络进行震源定位结果的逐步优化。
在总体的训练过程中，对不同时域的信号进行转化，然后输入到三阶段的特征提取网络进行特征的多时域提取，从不同时域的能量信号中汇集丰富的空间信息。然后将提取到的特征信息输入四阶段的convLSTM网络，对定位的震源进行检测和不断的细化。采用迭代的顺序对convLSTM网络进行处理，对于某一层来说，convLSTM在增强特征的同时只丢失了较少的特征信息，从而生成逐渐改进的逼近方式。
在网络中，每个门的卷积运算代替矩阵乘法。这样可以更好在多维数据中进行卷积操作来捕获基础空间特征。通过对输入维数的改变，对于空域+时域的信号也具有更强的特征显化特性。具体的convLSTM结构，如图8所示。
在convLSTM中,每一层输入某一时刻的震源显化数据，将上一层的输出作下一层的输入。并将所有的全连接层都又卷积计算代替，加上卷积操作之后，为不仅能够得到时序关系，还能够像卷积层一样提取特征，提取空间特征。这样就能够得到时空特征。并且将状态与状态之间的切换也换成了卷积计算。具体网络参数见表2，其中的$\sigma $、$ Tanh、+、\times $都是三维卷积。
表 2 3D-CNN网络框架参数Table 2. 3D-CNN network frame parameters层数 卷积层 输入层 σ Tanh 卷积核大小 1×1×1 3×3×3 5×5×5 卷积核个数 1 3 5 2. 小场地静态爆炸试验
微震震源定位受微震台网、到时数据、波速模型和震源定位算法等多因素的影响，为了统一变量，本文使用了小场地静态爆炸试验对模型进行了评估。小场地面积为$ 100 $ m$ \times 100 $ m，在试验中共使用了40个震动传感器，传感器的采集频率是20 kHz，并且成十字形空间摆放，南北方向摆放20个，间隔为2 m、东西方向摆放20个，间隔为2 m。爆炸试验共进行了3次，在表3中，展示了真实的震源位置，每次爆炸使用1千克TNT炸药，40个传感器数据进行每4个任意组合，共生成91 390种组合。第1组爆炸数据用来训练，第2组第3组爆炸数据用来对模型进行测试。真实采集数据如图9所示，通过对全部40个检波器数据进行统一的归一化之后，可得修复后的振动波一维数据。然后进行能量场扫描。在扫描过程中发现，所选用的4个传感器位置越分散，震源区域越收敛，并且挑选了扫描过程中会出现的各种情况作为训练数据来增加模型的泛化性，如图9所示。
表 3 微震方法对比Table 3. Comparison of microseismic methods方法 坐标 定位误差 X Y Z 真实震源 50.544 50.13 10.33 Geiger 53.634 54.45 16.14 7.875 SSA 51.944 51.63 11.57 2.4 ADMM[20] 51.644 50.93 10.86 1.1 本文算法 50.603 51.78 10.42 0.6 在获得修复一维数据基础上，通过对数据的能量域转化，然后进行能量场扫描。在扫描过程中发现，所选用的4个传感器位置越分散，震源区域越收敛，此外本文挑选了扫描过程中会出现的各种情况作为训练数据来增加模型的泛化性。一维原始数据即被转化为本文更加关注的能量域信息。转化后的能量域信息边缘清晰，能量分布合理。并且通过能量域的转化，一维震动波形与监测区域物理空间模型相结合，使得一维时域信息转化为三维空间信息，能量域转化结果如图10所示。
通过对三维能量数据低能量点的剥离，可以更明确的看出能量三维点云数据的能量分布情况，如图11所示。通过对高能量区域数值的提取即可完成三维区域内的震源特征显化，但是高能量区域并不能完全等同于震源位置。因为在真实震源定位过程中，能量的聚焦受限于原始观测波形的质量和地下介质的速度参数，当地下介质的速度参数不准确或者原始观测波形数据质量较差时，震源位置可能出现在高能量区域边缘，甚至是区域以外。所以高能量区域仅可作为震源位置的显著特征进行显化，在获得高能量区域后，还需要进一步对震源位置进行求解和拟合。图11中，4个子图分别为不同传感器反演的能量数据，虽然震源点相同，但是由于选择了不同的传感器和传导介质密度的区别，造成能量数据各不相同。
之后使用3D双流网络在震源定位模型的收敛过程中，对震源高亮区域中极亮点坐标进行记录，即可得到震源位置的收敛路径，如图12所示。
同时，对训练完成的模型进行了测试。在测试过程中随机选取的4个传感器的数据带入网络，得到爆炸点的最终位置，然后将相同的点云数据代入网络10次。图13显示了该方法的最终定位结果，图中红色点为真实震源位置，蓝色点为预测震源位置，底部橙色图形为该区域的能量带叠加图。可以看出，虽然每次的定位结果不同，但都是围绕真实的爆炸位置，这证明了网络的稳定性。该方法还可以将不同的点云数据代入网络。由于传感器数据是随机选取的，图6中SSA算法获得的微震能量带是不同的。但定位结果不随不同的能带而波动，说明该网络具有较强的泛化能力。
在试验中，该方法主要对训练期间的损失率、测试过程的准确度、训练过程的学习率进行了统计如图14所示，随着训练迭代的次数增加，3D双流网络模型的正确率呈现出较强的收敛特性。当训练次数达到6 000次后，模型逐渐稳定下来。
![]()
图 14 微震定位过程中的损失率、准确率、学习率Figure 14. Loss rate，Accuracy rate and learning rate in the process of microseismic location使用相同的数据同其他微震定位方法进行了对比，结果见表3。获得的定位效果普遍优于传统方法。
3. 结 论
1)通过三维扫描的方式将一维震动数据重建为三维能量场数据，可更好地对震源的空间位置和能量特性进行显化，为后续的方法提供数据基础。
2)通过3D-CNN网络对震源−能量两者的对应关系进行进一步的映射，建立空间与能量的对应关系，可以在不依赖于地震相位的识别和提取的前提下，可更准确表征振动相位中包含的源和传播路径等介质特性。
3)通过LSTM网络建立双流机制，利用数据时域特性对定位结果进行二次修正，提高模型在时域维度的特征利用率，从而更加精确的对震源位置进行定位。
-
![]()
图 1 沁水盆地及郑庄区块构造纲要
Figure 1. Structural outline map of Qinshui Basin and Zhengzhuang Block
![]()
图 2 横波时差和纵波时差交汇
Figure 2. Relationship diagram between transverse wave time difference and longitudinal wave time difference
![]()
图 3 声波时差、声波速度、动态弹性模量和动态泊松比随埋深分布
Figure 3. Distribution diagram of acoustic time difference, acoustic velocity, dynamic Young’s modulus, and dynamic Poisson’s ratio with burial depth
![]()
图 4 动静态岩石力学参数转换模型
Figure 4. Dynamic and static rock mechanics parameter conversion model
![]()
图 5 郑庄区块静态弹性模量和静态泊松比随埋深分布
Figure 5. Distribution map of Static Young’s modulus and static Poisson’s ratio with burial depth in Zhengzhuang Block
![]()
图 6 郑庄区块静态弹性模量平面分布
Figure 6. Static Young’s modulus plane distribution map of Zhengzhuang Block
![]()
图 7 郑庄区块静态泊松比平面分布
Figure 7. Static Poisson’s ratio plane distribution map of Zhengzhuang Block
![]()
图 9 郑庄区块不同井区压裂裂缝形态
Figure 9. Fracturing fracture morphology in different well areas of Zhengzhuang Block
![]()
图 11 不同施工排量下的压裂裂缝形态
Figure 11. Fracturing crack morphology under different construction displacements
![]()
图 12 压裂规模和裂缝监测结果对比
Figure 12. Comparison of fracturing Scale and fracture monitoring results
表 1 水平井地质力学模型主要参数
Table 1 Main parameter of horizontal well geomechanical model
井区 埋深/m 最大水平主应力/MPa 最小水平主应力/MPa 垂直主应力/MPa 弹性模量/GPa 泊松比 郑庄北部 1000 34.71 23.71 27.01 1.0 0.31 郑庄西南部 600 19.12 13.11 14.67 0.8 0.32 郑庄中北部 800 25.31 17.31 19.60 0.7 0.33 
下载: 导出CSV
-
[1] 徐凤银,闫霞,李曙光,等. 鄂尔多斯盆地东缘深部(层)煤层气勘探开发理论技术难点与对策[J]. 煤田地质与勘探,2023,51(1):115−130. doi: 10.12363/issn.1001-1986.22.06.0503 XU Fengyin,YAN Xia,LI Shuguang,et al. Theoretical and technological difficulties and countermeasures of deep CBM exploration and development in the eastern edge of Ordos Basin[J]. Coal Geology & Exploration,2023,51(1):115−130. doi: 10.12363/issn.1001-1986.22.06.0503
[2] 熊先钺,甄怀宾,李曙光,等. 大宁—吉县区块深部煤层气多轮次转向压裂技术及应用[J]. 煤田地质与勘探,2024,52(2):147−160. XIONG Xianyue,ZHEN Huaibin,LI Shuguang,et al. Multi-round diverting fracturing technology and its application in deep coalbed methane in the Daning-Jixian block[J]. Coal Geology & Exploration,2024,52(2):147−160.
[3] 许浩,汤达祯,陶树,等. 深、浅部煤层气地质条件差异性及其形成机制[J]. 煤田地质与勘探,2024,52(2):33−39. XU Hao,TANG Dazhen,TAO Shu,et al. Differences in geological conditions of deep and shallow coalbed methane and their formation mechanisms[J]. Coal Geology & Exploration,2024,52(2):33−39.
[4] 李曙光,王成旺,王红娜,等. 大宁–吉县区块深层煤层气成藏特征及有利区评价[J]. 煤田地质与勘探,2022,50(9):59−67. LI Shuguang,WANG Chengwang,WANG Hongna,et al. Reservoir forming characteristics and favorable area evaluation of deep coalbed methane in Daning-Jixian Block[J]. Coal Geology & Exploration,2022,50(9):59−67.
[5] 郭广山,徐凤银,刘丽芳,等. 鄂尔多斯盆地府谷地区深部煤层气富集成藏规律及有利区评价[J]. 煤田地质与勘探,2024,52(2):81−91. GUO Guangshan,XU Fengyin,LIU Lifang,et al. Enrichment and accumulation patterns and favorable area evaluation of deep coalbed methane in the Fugu area,Ordos Basin[J]. Coal Geology & Exploration,2024,52(2):81−91.
[6] 丁文龙,樊太亮,黄晓波,等. 塔中地区中:下奥陶统古构造应力场模拟与裂缝储层有利区预测[J]. 中国石油大学学报(自然科学版),2010,34(5):1−6. DING Wenlong,FAN Tailiang,HUANG Xiaobo,et al. Paleo-structural stress field simulation for middle-lower Ordovician in Tazhong area and favorable area prediction of fractured reservoirs[J]. Journal of China University of Petroleum (Edition of Natural Science),2010,34(5):1−6.
[7] 吴林,朱明,冯兴强,等. 准噶尔盆地四棵树凹陷构造应力场与构造变形解析[J]. 石油学报,2022,43(4):494−506. WU Lin,ZHU Ming,FENG Xingqiang,et al. Interpretation on tectonic stress and deformation of Sikeshu sag in Junggar Basin[J]. Acta Petrolei Sinica,2022,43(4):494−506.
[8] 陈杨,姚艳斌,崔金榜,等. 郑庄区块煤储层水力压裂裂缝扩展地质因素分析[J]. 煤炭科学技术,2014,42(7):98−102. CHEN Yang,YAO Yanbin,CUI Jinbang,et al. Analysis on geological control factors of hydraulic fracture extension of coal reservoirs in Zhengzhuang Block[J]. Coal Science and Technology,2014,42(7):98−102.
[9] 徐凤银,聂志宏,孙伟,等. 鄂尔多斯盆地东缘深部煤层气高效开发理论技术体系[J]. 煤炭学报,2024,49(1):528−544. XU Fengyin,NIE Zhizhong,SUN Wei,et al. Theoretical and technological system for Highly efficient development of deepcoalbed methane in the Eastern edge of Erdos Basin[J]. Journal of China Coal Society,2024,49(1):528−544.
[10] 聂志宏,徐凤银,时小松,等. 鄂尔多斯盆地东缘深部煤层气开发先导试验效果与启示[J]. 煤田地质与勘探,2024,52(2):1−12. NIE Zhihong,XU Fengyin,SHI Xiaosong,et al. Outcomes and implications of pilot tests for deep coalbed methane production on the eastern margin of the Ordos Basin[J]. Coal Geology & Exploration,2024,52(2):1−12.
[11] 张冠杰,程奇,张雷,等. 渤海湾盆地渤中19-6气田变质岩潜山储层三维岩石力学参数求取及意义[J]. 地球科学,2025,50(2):551−568. ZHANG Guanjie,CHENG Qi,ZHANG Lei,et al. Calculation of 3-D reservoir rock mechanical parameters of metamorphic rock reservoirs in the Bozhong 19-6 gas field of the Bohai Bay Basin and their significance[J]. Earth Science,2025,50(2):551−568.
[12] 张兵,冯兴强,米洪刚,等. 鄂尔多斯盆地临兴地区致密砂岩储层岩石力学参数和地应力分析[J]. 中国海上油气,2023,35(6):51−59. ZHANG Bing,FENG Xingqiang,MI Honggang,et al. Analysis on in situ stress and rock mechanics parameters of tight sandstone reservoirs in Linxing block,Ordos basin[J]. China Offshore Oil and Gas,2023,35(6):51−59.
[13] 赵进雍,冀冬生,吴见,等. 准噶尔盆地四棵树凹陷侏罗系—白垩系储层岩石力学参数研究[J]. 地质力学学报,2023,28(4):573−582. 补全出版年份 ZHAO Jinyong,JI Dongsheng,WU Jian,et al. Research on rock mechanics parameters of the Jurassic-Cretaceous reservoir in the Sikeshu sag,Junggar Basin,China[J]. Journal of Geomechanics,2023,28(4):573−582.
[14] 肖阳,马中慧,刘书云,等. 珠江口盆地潜山储层地质力学及压裂参数优化研究[J]. 科学技术与工程,2024,24(4):1392−1401. doi: 10.12404/j.issn.1671-1815.2301579 XIAO Yang,MA Zhonghui,LIU Shuyun,et al. Geomechanics and fracturing parameter optimization of buried hill reservoir in Pearl River mouth basin[J]. Science Technology and Engineering,2024,24(4):1392−1401. doi: 10.12404/j.issn.1671-1815.2301579
[15] 高向东,王延斌,倪小明,等. 临兴地区深部煤岩力学性质及其对煤储层压裂的影响[J]. 煤炭学报,2020,45(S2):912−921. GAO Xiangdong,WANG Yanbin,NI Xiaoming,et al. Mechanical properties of deep coal and rock in Linxing area and its influence on coal reservoir fracturing[J]. Journal of China Coal Society,2020,45(S2):912−921.
[16] 徐田录,吴承美,张金凤,等. 吉木萨尔凹陷二叠系芦草沟组页岩油储层天然裂缝特征与压裂模拟[J]. 岩性油气藏,2024,36(4):35−43. doi: 10.12108/yxyqc.20240404 XU Tianlu,WU Chengmei,ZHANG Jinfeng,et al. Natural fracture characteristics and fracture network simulation in shale reservoirs of Permian Lucaogou Formation in Jimsar Sag[J]. Lithologic Reservoirs,2024,36(4):35−43. doi: 10.12108/yxyqc.20240404
[17] 张聪,李梦溪,胡秋嘉,等. 沁水盆地南部中深部煤层气储层特征及开发技术对策[J]. 煤田地质与勘探,2024,52(2):122−133. ZHANG Cong,LI Mengxi,HU Qiujia,et al. Characteristics and development technical countermeasures of media-deep coalbed methane reservoir in southern Qinshui Basin[J]. Coal Geology & Exploration,2024,52(2):122−133.
[18] 贾慧敏,胡秋嘉,樊彬,等. 沁水盆地郑庄区块北部煤层气直井低产原因及高效开发技术[J]. 煤田地质与勘探,2021,49(2):34−42. JIA Huimin,HU Qiujia,FAN Bin,et al. Causes for low CBM production of vertical wells and efficient development technology in northern Zhengzhuang Block in Qinshui Basin[J]. Coal Geology & Exploration,2021,49(2):34−42.
[19] 张聪,李梦溪,冯树仁,等. 沁水盆地南部郑庄区块15号煤与3号煤储层物性及产气差异研究[J]. 煤田地质与勘探,2022,50(9):145−153. doi: 10.12363/issn.1001-1986.21.12.0816 ZHANG Cong,LI Mengxi,FENG Shuren,et al. Reservoir properties and gas production difference between No. 15 coal and No. 3 coal in Zhengzhuang Block,southern Qinshui Basin[J]. Coal Geology & Exploration,2022,50(9):145−153. doi: 10.12363/issn.1001-1986.21.12.0816
[20] 李可心,张聪,李俊,等. 沁水盆地南部煤层气水平井射孔优化[J]. 新疆石油地质,2024,45(5):581−589. LI Kexin,ZHANG Cong,LI Jun,et al. Optimization of perforation in CBM horizontal wells in southern Qinshui basin[J]. Xinjiang Petroleum Geology,2024,45(5):581−589.
[21] 朱庆忠,刘立军,陈必武,等. 高煤阶煤层气开发工程技术的不适应性及解决思路[J]. 石油钻采工艺,2017,39(1):92−96. ZHU Qingzhong,LIU Lijun,CHEN Biwu,et al. Inadaptability of high-rank CBM development engineering and its solution idea[J]. Oil Drilling & Production Technology,2017,39(1):92−96.
[22] 姚艳斌,王辉,杨延辉,等. 煤层气储层可改造性评价:以郑庄区块为例[J]. 煤田地质与勘探,2021,49(1):119−129. doi: 10.3969/j.issn.1001-1986.2021.01.012 YAO Yanbin,WANG Hui,YANG Yanhui,et al. Evaluation of the hydro-fracturing potential for coalbed methane reservoir:A case study of Zhengzhuang CBM field[J]. Coal Geology & Exploration,2021,49(1):119−129. doi: 10.3969/j.issn.1001-1986.2021.01.012
[23] LIU S Q,SANG S X,PAN Z J,et al. Study of characteristics and formation stages of macroscopic natural fractures in coal seam #3 for CBM development in the east Qinnan block,Southern Quishui Basin,China[J]. Journal of Natural Gas Science and Engineering,2016,34:1321−1332. doi: 10.1016/j.jngse.2016.08.010
[24] 张聪,李可心,贾慧敏,等. 郑庄北中深部煤层气水平井产能影响因素及开发技术优化[J]. 煤田地质与勘探,2024,52(6):1−12. ZHANG Cong,LI Kexin,JIA Huimin,et al. Factors influencing the productivity and technology optimization of horizontal wells for moderately deep coalbed methane in the northern Zhengzhuang block[J]. Coal Geology & Exploration,2024,52(6):1−12.
[25] HOU L L,LIU X J,LIANG L X,et al. Investigation of coal and rock geo-mechanical properties evaluation based on the fracture complexity and wave velocity[J]. Journal of Natural Gas Science and Engineering,2020,75:103133. doi: 10.1016/j.jngse.2019.103133
[26] 周文,高雅琴,单钰铭,等. 川西新场气田沙二段致密砂岩储层岩石力学性质[J]. 天然气工业,2008,28(2):34-37. ZHOU Wen,GAO Yaqin,SHAN Yuming,et al. Lithomechanical property of tight sand reservoirs in the second member of Shaximiao formation in Xinchang gas field,west Sichuan basin[J]. Nature Gas Industry,2008,28(2):34-37.
[27] 李夕兵,宫凤强. 基于动静组合加载力学试验的深部开采岩石力学研究进展与展望[J]. 煤炭学报,2021,46(3):846−866. LI Xibing,GONG Fengqiang. Research progress and prospect of deep mining rock mechanics based on coupled static-dynamic loading testing[J]. Journal of China Coal Society,2021,46(3):846−866.
[28] 刘建华,吴超,陶兴华. 钻井岩石力学参数三维建模方法及其现场应用[J]. 钻采工艺,2020,43(1):13−16,7-8. LIU Jianhua,WU Chao,TAO Xinghua. Three-dimensional modeling method for drilling rock mechanics and its field application[J]. Drilling & Production Technology,2020,43(1):13−16,7-8.
[29] DUMITRESCU C C. Brittleness and geomechanical properties estimation using wireline and seismic data in the duvernay shale basin,Canada[C]//Proceedings of the 9th Unconventional Resources Technology Conference. American Association of Petroleum Geologists,2021.
[30] 雷群,翁定为,熊生春,等. 中国石油页岩油储集层改造技术进展及发展方向[J]. 石油勘探与开发,2021,48(5):1035−1042. doi: 10.11698/PED.2021.05.15 LEI Qun,WENG Dingwei,XIONG Shengchun,et al. Progress and development directions of shale oil reservoir stimulation technology of China National Petroleum Corporation[J]. Petroleum Exploration and Development,2021,48(5):1035−1042. doi: 10.11698/PED.2021.05.15
[31] 李倩,李童,蔡益栋,等. 煤层气储层水力裂缝扩展特征与控因研究进展[J]. 煤炭学报,2023,48(12):4443−4460. LI Qian,LI Tong,CAI Yidong,et al. Research progress on hydraulic fracture characteristics and controlling factors of coalbed methane reservoirs[J]. Journal of China Coal Society,2023,48(12):4443−4460.
[32] 杨帆,李斌,张红杰,等. 深部煤层气水平井大规模极限体积压裂技术:以鄂尔多斯盆地东缘临兴区块为例[J]. 石油勘探与开发,2024,51(2):389−398. doi: 10.11698/PED.20230513 YANG Fan,LI Bin,ZHANG Hongjie,et al. Large-scale extreme volume fracturing technology for deep coalbed methane horizontal wells:Taking Linxing block in the eastern margin of Ordos Basin as an example[J]. China Industrial Economics,2024,51(2):389−398. doi: 10.11698/PED.20230513
[33] 李斌,杨帆,张红杰,等. 神府区块深部煤层气高效开发技术研究[J]. 煤田地质与勘探,2024,52(8):57−68. doi: 10.12363/issn.1001-1986.24.01.0082 LI Bin,YANG Fan,ZHANG Hongjie,et al. Technology for efficient production of deep coalbed methane in the Shenfu block[J]. Coal Geology & Exploration,2024,52(8):57−68. doi: 10.12363/issn.1001-1986.24.01.0082
[34] 智慧文,胡永章. 元坝气田地应力测井计算研究[J]. 物探化探计算技术,2015,37(6):743−748. doi: 10.3969/j.issn.1001-1749.2015.06.12 ZHI Huiwen,HU Yongzhang. Study on well logging with crustal stress calculation in Yuanba gas field[J]. Computing Techniques for Geophysical and Geochemical Exploration,2015,37(6):743−748. doi: 10.3969/j.issn.1001-1749.2015.06.12
计量
- 文章访问数: 34
- HTML全文浏览量: 6
- PDF下载量: 39
