Research status and prospect of coalbed methane intelligent extraction in China
-
摘要:
煤层气是优质、清洁的非常规能源，对其进行合理开发利用具有缓解资源压力、保证安全生产等重要价值。尤其近年来，人工智能技术迅速发展，在矿业领域体现出了良好潜力，运用人工智能技术，提高煤层气开发能力和水平，具有重要现实意义。从储层勘探、产能预测、抽采控制等3个技术方向，分析并归纳了当前阶段人工智能技术在煤层气开发中的主要基本应用，并在此基础上分析了各类技术的突出特点、应用领域以及发展前景。然后，分析认为：地质条件复杂、优质数据积累不足、参考案例少等问题是现阶段面临的主要技术挑战，其在很大程度上限制了有关技术的开发。由此，总结提出煤层气智能化开发短期内所需主要技术及其长期发展趋势，根据技术现状和主要特点，提出了相关建议：总体上，要发挥现有优势，在现有基础上进一步优化有关技术平台，并适当引进、学习国际先进技术；重视数据积累，针对代表性煤层气井田建设高质量信息支撑平台，为智能抽采平台建设提供高质量数据支撑；整合资源，在实践中加快推进智能抽采平台开发，推动典型创新性技术的应用，提高煤层气开发智能化水平；针对我国的特殊地质条件，重点开发与深部煤层气、“三气”合采相配套的智能化技术，以期实现相应领域的弯道超车。
Abstract:Coalbed methane (CBM) is a high-quality, clean non-conventional energy source, and its rational development and utilisation has the important value of improving the alleviation of resource pressure and ensuring safe production. Especially in recent years, the rapid development of artificial intelligence technology has embodied obvious potential in the field of mining, and it is of great practical significance to use artificial intelligence technology to improve the capacity and level of CBM development. The main basic applications of AI technology in CBM development at the current stage are analysed and summarized from three technical directions, such as reservoir exploration, capacity prediction, and pumping control, and on the basis of which, the salient features, application fields, and development prospects of each type of technology are analysed. Then, it is analysed that complex geological conditions, insufficient accumulation of high-quality data, and few reference cases are the main technical challenges at this stage, which limit the development of relevant technologies to a large extent. As a result, the main technologies required for CBM intelligent development in the short term and their long-term development trends are summarised, and relevant recommendations are put forward based on the current status and main features of the main technologies: in general, it is necessary to give full play to the existing advantages, further optimise the relevant technological platforms on the basis of the existing ones, and appropriately introduce and learn from the international advanced technologies; pay attention to the accumulation of data, and build a high-quality information support platform for the representative CBM wellfields, so as to provide high-quality data for the construction of the intelligent extraction platforms. Integrate resources, accelerate the development of intelligent extraction platforms in practice, promote the application of typical innovative technologies, and improve the level of intelligent CBM development; focus on the development of intelligent technologies that are compatible with deep CBM and "three-gas" combined extraction, in view of China's special geological conditions, so as to achieve a superb turnaround in the corresponding field. In order to realise the curved-track overtaking in the corresponding fields.
-
Keywords:
- coalbed methane /
- smart technology /
- reservoir exploration /
- capacity prediction /
- equipment synergy
-
0. 引 言
煤层气是一种优质的非常规能源，对煤层气的合理开发有利于提高经济效益、避免瓦斯事故、减少温室气体排放，具有能源、安全、环保等多重价值[1]。根据自然资源部的数据，截至2023年末，我国煤层气勘查新增探明地质储量3 179.3亿m3，全国煤层气剩余技术可采储量5 348.4亿m3，同比增长40.4%，具有广阔的开发潜力。尤其是在我国战略性调整能源结构、促进绿水青山建设的大背景下，其重要性愈加凸显。
自20世纪70年代以来，美国开始对煤层气进行开发，到90年代已经形成一定规模，是目前世界上开发利用煤层气最成功的国家。随着全球能源格局的变化，世界上很多国家也开始了煤层气的开发工作。我国自20世纪80年代末开始对煤层气进行勘探和开发，在经历探索期和突破期后，现已进入快速发展阶段[2-4]。为进一步加快煤层气开发利用的步伐，近些年来，在国家多次出台的政策以及天然气开发、管道建设、非常规天然气技术进步等多方面的共同推动下，我国煤层气产业取得了长足的进步[5]。
近些年来，人工智能技术飞速发展，逐渐被应用到各行各业中。在能源行业，粗放式的发展模式已经不能适应新时代的发展要求，智能化在近年来已经逐渐成为能源工业高质量发展的核心技术支撑，代表着先进生产力的发展方向[6-7]。
煤层气的开发存在着发展模式粗放、工作环境艰苦、工人劳动强度大、危险性较高等问题[8-9]，但是智能化技术在煤层气的抽采方面的应用仍相对较少，主要原因在于煤层气赋存机理复杂、开采难度大，相关数据积累不足、数据质量较低[10]，技术难度也相对较大。笔者分析总结了煤层气智能化开发现有主要技术体系，探讨了目前阶段存在的技术挑战，概括其主要发展方向，并提出了相关建议与展望。
1. 煤层气智能化开发技术现状
1.1 主要技术
人工智能技术在煤层气抽采中的应用目前仍处在起步阶段，应用前景十分广阔，主要应用集中在储层勘探、产能预测、抽采优化等3个方面[11]，有关学者在工程实践中进行了长期研究，截至近期，代表性应用案例应用现状见表1。上述3方面的主要应用相辅相成，共同构成人工智能辅助抽采系统，并基于此延伸出AI技术在煤层气抽采领域应用的新技术新方法。
表 1 煤层气智能抽采代表性案例[11]Table 1. Representative cases of intelligent extraction of CBM领域 地区 实现效果 主要算法 不足 储层勘探 沁水盆地 识别裂缝几何形状 分层双向长短期神经网络 用于训练模型的数据量不足 澳大利亚Surat盆地 煤岩识别准确率在90%以上 支持向量机
随机森林
梯度提升需要大量的高质量数据进行模型训练 澳大利亚Walloon区块 准确预测储层渗透率 多层感知机
卷积神经网络
循环神经网络对数据数量和质量要求高 —— BP神经网络 准确预测应力变化下的储层渗透率改变 缺乏现场应用监测 产能预测 郑村区块 95%以上的产气量产能预测预测差小于5% 随机森林 对数据数量和质量要求高 寺河、潘庄 准确预测短期产能变化 BP神经网络 预测长期产能变化准确性不佳 新疆某矿区 相对于BP神经网络准确性更高 深度信念网络 模型参数需要手动调整，预测精度有待提高 川东地区 随样本数据量增加，模型准确度提高 正则化长短期记忆神经网络 需要大量的高质量数据进行模型训练 鄂尔多斯盆地、沁水盆地 预测煤层气井的单日产气量 随机森林 抽采控制 沁水盆地 对煤层气井抽采层位水源进行智能判别 支持向量机 依然在理论研究阶段 五阳井区 液位控制精度高，抽采过程均衡、稳定 神经元人工智能控制 —— 樊庄区块 自主优化决策，根据生产变化自动调整生产策略 强化学习 仍处于起步阶段 潘一东煤矿 自动判别抽采系统运行状态，预判危险的发生，实现自动控制 —— 采用PID控制，智能化程相对度低。 1.1.1 煤层气储层智能勘探与评价技术
煤层气储层的智能勘探与评价技术主要应用于煤层的勘测、钻井及增透阶段，基于钻井、完井、增透等过程中的各项生产数据和人工智能算法，实现储层特征反演技术[11-13]。
煤层气储层特征智能反演技术首先通过收集储层的埋深、煤岩密度、含水率等基础数据，应用BP神经网络、模式识别等人工智能算法对数据进行反演，得出储层特征，从而建立储层孔隙度、渗透率、含气量、裂缝识别等数据模型，进而提供一种更加高效的储层认知手段。其应用起步较早，在1997年潘和平等[14]就提出了应用BP神经网络预测煤质参数和含气量的研究方法，开始将人工智能技术应用在煤层气抽采之中。陈涛等[15]综合运用平均影响值（MIV）方法和粒子群算法（PSO），优化LSSVM（Least Squares Support Vector Machine）网络建模过程，构建MIV-PSO-LSSVM煤层气含量预测模型，如图1所示，进一步提高预测模型的建模性能，实现了煤层含气量高精度预测。YANG等[16]提出了基于模式识别的水力裂缝形态识别技术，通过提取水力压裂作业曲线特征，自动分类裂隙形态，进而精确控制增透过程。CHEN等[17]在液氮致裂储层增透试验中引入U-net网络模型，处理煤样裂隙CT扫描图像，实现了对液氮致裂过程中煤样三维裂隙的自动识别分割，定量表征裂隙体积、空间分布、连通性等特征及其演化规律。
煤层气储层智能勘探与评价技术是对煤层储层进行特征数据收集与处理的过程，该技术通过对储气煤层群地质参数的测定与推演，从而针对储层进行三维地质建模，建设透明化钻井，为配套传统抽采技术和智能抽采技术提供优质的数据支撑，最终达到提高抽采效率，节约成本，保证安全生产的目的。
1.1.2 煤层气井产能智能预测技术
煤层气井产能预测是煤层气抽采中的重要环节，根据埋深、孔隙度、含气量等储层特征，预测气井长期和短期产能，为煤层气井建设施工、制定生产计划提供了依据。传统的产能预测方法主要是通过经验模型、平衡吸附模型、非平衡吸附模型等数学模型对产能进行理论估算[18-21]。
煤层气产能智能预测是一种将人工智能运用到煤层气抽采中的技术，是较为热门的研究方向，众多学者对此进行了研究，吕玉民等[22]建立了煤层气井动态产能拟合和预测的时间序列BP神经网络模型，在短期产能预测方面取得了较好的效果，但对于长期产能预测效果不佳。徐慧[23]利用改进的粒子群优化算法进一步优化支持向量回归机，相对于BP神经网络具有更高的预测精度。XU等[24]首次将长短期记忆（LSTM）网络和迁移学习（TL）方法运用到煤层气井日产量预测中，最终提出了T-LSTM模型，运用较小的样本量实现了良好的预测效果。高翔[25]研究了基于支持向量机的煤层气井井底流压预测方法，用于合理控制抽采强度，平稳降低井底流压，从而提高单井产能。目前领先的成熟神经网络产能预测模型是GUO等[26]提出的基于深度学习的煤层气产能预测模型，将卷积自编码器和空间金字塔池化结合，多尺度高效提取数据源特征，并综合近邻传播算法（Affinity Propagation）与长短期记忆网络（LSTM）对样本特征进行聚类分析（图2），对煤层气产能的长期预测更加准确。
总体而言，煤层气的解吸—扩散—渗流是一个复杂、不确定的动态过程，相比于建立精确数学模型，人工智能算法对于此类多指标的不确定性问题适应性更好，更加贴合实际生产需要。该技术依托于储层勘探过程中的海量数据，并为后续抽采工作的开展提供依据，起到了联系储层特征数据与生产实际的纽带作用。人工智能技术在提高煤层气井产能预测准确性、适用性方面具有较好前景。
1.1.3 智能抽采控制技术
煤层气的智能抽采控制系统主要由硬件部分（抽采设备、传感器、变频器、现场监控设备等）和软件部分组成[11, 27]。该系统直接控制现场设备，综合现场各重要指标，实施调整抽采参数，保证持续高效产气，并对设备运行状态进行实时监测，智能快速识别异常工况，保证安全高效生产。进而实现气井日产量精确控制，避免了产能不足或浪费，推进抽采无人值守，进一步提高经济效益。
我国的智能抽采起步较早，华北油田在2008年左右就提出了智能抽采的概念[28-30]。但由于煤层气抽采机理复杂，缺少相关理论支撑等原因，进展相对缓慢。目前大部分已投入实际应用的“智能化”抽采设备实质上是信息化、自动化的设备，依靠人工智能技术支撑的相对较少。迟文龙[31]开发设计了基于模糊支持向量机（FSVM）的煤层气井故障诊断系统，相对于BP神经网络模型和支持向量机（SVM）模型在性能方面有较大提升，实现了对煤层气单井采气过程的智能故障诊断。黄鹤等[32]研制的煤层气智能抽采监控装备，对煤层气抽采中气体成分浓度、气压、温度、流量、设备工作参数等数据进行实时监测，能够判别抽采系统运行的状态，对事故进行预判，实现系统的自动控制。
煤层气智能抽采优化技术有较为广阔的应用前景，但由于对煤层气抽采机理认知不足、缺乏基础技术支撑等原因，目前研究重点还在智能抽采设备开发与自动控制等方面，而在煤层气抽采优化的机理分析、算法优化、参数调整等方面进展相对缓慢。
1.2 辅助技术
1.2.1 智能钻井技术
长期以来，我国的钻探技术以采用传统机械为主，智能化程度低、劳动强度大，作业过程仅凭借现场工作人员经验，不够规范严谨，制约了“四化建设”，是智慧矿山建设的瓶颈之一[33-34]。截至目前，我国井下远距离控制钻机、地面远距离控制钻进设备、遥控自动钻井装备等技术的开发已经取得阶段性进展，但是仍没有完全改变需要人工操作、凭经验判断的现状，要实现完全智能化钻井还需要克服许多技术难题。
智能钻井技术与煤层气智能勘探技术密切相关，目前同样处于初级阶段，面临着智能钻孔布置、钻进过程智能感知与异常识别、煤岩体智能识别、智能参数调整等诸多亟待解决的技术问题，上述问题的解决对推进煤层气抽采全过程智能化技术有着决定性作用。
1.2.2 抽采井站智能视频监控技术
煤层气具有易燃易爆的特性，所以在煤层气抽采作业过程中的安全巡检十分重要，而煤层气抽采井站往往分散在野外，如果采用传统人力巡检的方式对井站进行安全监控，一方面劳动强度大，人力成本高，另一方面无法做到实时监控，存在安全漏洞。为解决以上问题，于天瞑[5]开发了智能视频监控系统用于煤层气抽采井站的安全监控。针对井站具体情况，设计了基于目标识别算法、背景减除法的安全智能监控算法，并且运用卷积神经网络对算法进行优化，增强了其适用性，在煤层气抽采井站的安全监测、危险状况分类识别、危险自动报警中具有较强的适用性。
1.2.3 设备智能协同与智能化生产系统
在传统工矿企业的煤层气井田信息化建设过程中，往往因缺乏系统性早期规划，造成信息系统建设呈现“头痛医头、脚痛医脚”的被动局面，具体表现为：每遇一个新问题就建设一个新系统来解决。这就导致了生产系统庞大且臃肿，而各子系统之间相对孤立，数据重复度高的同时也缺乏标签化数据，难以为智能化技术的应用提供数据支持，并不能适应新时代智能化井田建设的要求。
为解决上述问题，田锦州[35]提出了煤与煤层气协调开发生产系统智能化设计方法，通过构建“抽、建、掘、采”各系统间接续关系的量化分析模型及数据库，实现各系统之间全面动态接续，实现了数据记录、报表同步生成与动态分析、安全监测、自动报警等功能，助力了矿井智能化建设。
2. 面临的主要技术挑战
目前，人工智能技术在煤层气抽采中的应用仍然处于初级阶段，成功应用实例较少，产生的直接经济价值也比较有限，实现煤层气抽采的全过程智能化仍任重道远。面临的主要技术挑战有：
1）地质条件复杂多变
我国煤层普遍具有低压、低渗、低饱和的“三低”特征，抽采难度大，不同地区产能差异很大，甚至同一地区的煤层性质也存在较大差异，并且，煤层气储层大量分布于深部，以上种种原因为煤层气的开发及智能化技术研究增加了阻碍。
对于煤层气赋存特点的认识仍然存在较大空白，特别是对深部煤层气、低煤阶煤层气的赋存状态认识不够全面，并且对不同技术的增产机理认识还不够充分，尚未形成系统化的开发理论[36]，不足以支撑相关AI模型的开发。
目前，智能抽采技术在少数矿井中实现了一定程度的应用，但基本都是基于当地特定数据训练形成的AI模型，用以解决特定生产问题，难以推广到其他井田实际生产之中。且针对某些问题，人工智能技术相对传统技术并无明显优势，在该技术取得革命性突破之前，难以在煤层气抽采中得到广泛应用。
2）优质数据积累不足
煤层气抽采的过程本身会产生海量的数据，可以为人工智能技术的应用提供数据基础。但同时其中的数据多种多样，结构复杂，且缺少标签化的处理，用于后续开发前往往需要对其进行繁重的预处理，为人工智能应用增加了障碍[10]。
保证有足够且优质的真实数据用于模型训练是将人工智能技术应用在煤层气抽采中的一个重要前提，也是目前阶段亟待解决的问题。
3）信息支撑平台建设存在不足
目前国内大多数煤层气田已经实现了机械化、信息化，正处于向智能化方向发展的关键阶段。但是在信息化建设过程中，由于存在缺少统一规范、信息系统建设过程中“头痛医头，脚痛医脚”等问题，导致现行信息系统往往比较臃肿，多个系统之间信息重合度高、互通性差，数据标准不统一，数据迁移难度大，阻碍了进一步的智能化建设。
4）实践案例少，参考价值不足
目前为止，智能矿井建设仍然处于起步阶段。总体来说，美国、澳大利亚等国家的智能抽采技术发展走在世界前列，尤其澳大利亚是目前煤层气产业最发达的国家，在2016年已成为世界最大煤层气生产国[37]。目前在这些国家已有一些成熟的智能抽采技术实际应用，但是这些国家的煤层赋存条件相对比较优良，对于我国复杂的储层条件，还需进一步优化才能适应生产需要。
3. 技术发展趋势与展望
在能源行业智能化建设的大背景下，煤层气的抽采也必然向着“少人化”“无人化”的方向不断发展。智能化设备被越来越多地应用到煤层气抽采之中，一些艰苦岗位将率先被机器取代，高素质、高技能水平人才的需求量将会有一定程度的上升，钻孔轨迹精准控制技术、智能压裂与排采技术等新型技术应用范围将进一步扩大[38-39]。在近期，煤层气智能化开发新技术发展趋势主要体现在以下方面。
3.1 信息支撑平台建设
当前阶段，智能化依然是信息化的进一步延伸，智能模型的训练往往要依赖大数据支撑，智能化抽采的开发也要依赖于大量的优质数据[40-43]。要建设科学可行的智能抽采系统，首先就需要业内共同努力，针对典型煤层气井田建立一套科学、全面的信息支撑平台，为煤层气智能抽采提供可靠数据基础[44]。具体主要包括：地质特征精细刻画与建模、工程适用性评价体系、地质工程数据库、配套开发模式参考等。
从目标方面来说，智能化抽采的核心是地质参数和工程参数的动态优化与实时匹配，其目标是最大程度发挥储层改造的增产和稳产潜力，实现单井高产；多井联动，最大程度协调各气井之间的抽采参数，降低成本投入，实现收益最大化。其主要内容是地质‒气藏‒方案研究一体化，钻井和完井设计‒施工工艺一体化，质量‒安全‒环保‒评价全过程管理一体化[11,45]。最终实现多个系统之间、系统内部各子系统之间的实时协调控制。
3.2 智能抽采平台建设
从具体工程尺度来说，煤层气的智能化抽采需要协调抽采设备、传感器、控制设备、通信设备等多种对象，集成岩性识别、产能预测、参数优化、异常识别、设备管理等技术，最终实现多功能一体化智能抽采平台建设[46-48]。
在智能抽采平台建设上，黄中伟等[7]在压裂参数智能优化、缝网参数智能反演、产能智能预测和智能抽采控制等方面提出了新的研究思路。在压裂参数智能优化方面，提出了以“产能最大、成本最低”为多目标的水力压裂参数设计方法，综合储层地质特征数据、施工设计数据、生产数据、各种耗材费用等相关因素，运用机器学习、多目标优化算法等手段，建立地质-工程一体化数据库和产能智能预测模型；在产能预测方面，采用门控神经网络和多层感知机叠加的人工智能网络模型，综合运用多种算法实现神经网络的自动优化，建立了“物理约束‒数据驱动”的煤层气产能预测模型，应用在临汾矿区和大宁井田之中，体现出了较好的准确性、可靠性；在抽采参数智能优化方面，建立了基于强化学习的煤层气井抽采参数智能决策系统，随生产数据的积累，系统不断进行自我优化，提升性能。
从长期来看，将会形成智能化的抽采系统，其架构如图3所示。
3.3 复杂条件智能抽采系统建设
从长远来看，我国的煤层气开发逐渐走向深部，这也是我国相对与其他国家的煤层气开发的主要区别之一。
目前，深部煤层气的开采还面临着一些问题，例如：对储层的勘探不足，对深部煤层气赋存机理认知不到位，未能建立全面的深部煤层气储层评价体系[49]；所处围岩环境与一般气田存在较大差异，相关的技术设备配套还不够成熟[50]；开采成本相对较高，其经济效益易受气价波动影响等[51-52]。
针对其中的某些问题，通过智能化技术可以较好地解决。例如：开发利用储层智能勘探技术，智能识别岩体性质，提高勘探效率，降低勘探成本，快速构建一体化地质模型，作为后续开发工作的信息支撑；通过智能自动化钻井、抽采参数动态调整、基于机器视觉的智能巡检等技术，提高自动化水平，替代传统人力劳动，减少人员需求，降低生产成本，进而提高经济效益。同时，我国的深部资源开发走在世界前列，在深部煤层气抽采的智能化技术中，有利于发挥特长，提高技术水平，巩固我国的技术优势，维护我国中长期利益。
“三气”合采也是重要的发展方向，通过煤化作用生成的气体成分中，除了一小部分赋存在煤层之中，其余大量以页岩气、致密砂岩气等形式赋存于其他岩层中，目前我国已经对煤层气、页岩气、致密砂岩气进行了大量的科学研究与现场试验，并在部分地区形成了商业性气田。但是由于“三气”赋存状态与抽采机理的差异，其技术通用性、兼容性不佳，开采难度大，所以对其共采的研究还相对较少[53-56]。
在“三气”合采方面，智能化技术的开发前景主要表现在：通过智能勘探技术对地层进行精细化建模，辅助井田的规划设计，科学布置不同类型抽采钻井；对大型井田各类型矿井进行实时联动控制，并根据产能预测结果，精细化调整各气井抽采参数至最优，实现高效抽采。
4. 结 论
1）人工智能技术在近几年迅猛发展，但在煤层气抽采方面的应用仍然处于起步阶段，真正带来明显经济效益的应用仍然不多。美、澳等国现有一些小范围的应用，可以参考其设计思路，根据我国工程实际进行适当调整优化，开发适合的智能抽采设备及系统。
目前人工智能技术在煤层气抽采中的应用主要有储层勘探、产能预测、抽采控制3方面的应用，并与智能钻井、智能视频监控等辅助技术共同组成了现有的智能抽采系统。
2）现阶段，地质条件与抽采机理复杂、生产数据积累不充足、基础信息支撑平台建设规范不到位、典型参考案例较少是煤层气智能化开发面临的几大阻碍。
3）煤层气的智能抽采作为智慧矿山建设的一部分，总目标与智慧矿山一致，最终要实现无人化。近期传统的煤层气抽采技术逐渐向低成本、高效率、深部、信息化、自动钻采的方向快速发展。
目前我国对煤层气抽采智能化的主要技术需求有：① 建设信息支撑平台，基于智能勘探等技术，针对代表性煤层气井田建设三维精细地质模型和煤层气智能抽采数据库，为进一步智能化提供信息支撑；② 开发智能抽采平台，将人工智能技术运用到煤层气抽采过程中的压裂参数智能优化、缝网参数智能反演、产能智能预测和智能抽采控制等过程之中，在实践中创新，创新服务于实践；③ 研究针对深部煤层气开采、“三气”合采等特殊条件下的专用技术，搭建针对我国资源特征的技术体系。
4）在国家政策的大力推动与人工智能技术迅速发展的背景下，许多大型煤矿已经完成了初步的智能化建设，而在煤层气抽采方面，机械化、信息化已经实现，智能化建设基础良好，是智能化抽采技术进步的难得机遇期，在此基础上开发针对性的智能化抽采技术，将有效推动我国在该领域的关键技术突破，对构建新型能源安全格局具有重要意义。
-
表 1 煤层气智能抽采代表性案例[11]
Table 1 Representative cases of intelligent extraction of CBM
领域 地区 实现效果 主要算法 不足 储层勘探 沁水盆地 识别裂缝几何形状 分层双向长短期神经网络 用于训练模型的数据量不足 澳大利亚Surat盆地 煤岩识别准确率在90%以上 支持向量机
随机森林
梯度提升需要大量的高质量数据进行模型训练 澳大利亚Walloon区块 准确预测储层渗透率 多层感知机
卷积神经网络
循环神经网络对数据数量和质量要求高 —— BP神经网络 准确预测应力变化下的储层渗透率改变 缺乏现场应用监测 产能预测 郑村区块 95%以上的产气量产能预测预测差小于5% 随机森林 对数据数量和质量要求高 寺河、潘庄 准确预测短期产能变化 BP神经网络 预测长期产能变化准确性不佳 新疆某矿区 相对于BP神经网络准确性更高 深度信念网络 模型参数需要手动调整，预测精度有待提高 川东地区 随样本数据量增加，模型准确度提高 正则化长短期记忆神经网络 需要大量的高质量数据进行模型训练 鄂尔多斯盆地、沁水盆地 预测煤层气井的单日产气量 随机森林 抽采控制 沁水盆地 对煤层气井抽采层位水源进行智能判别 支持向量机 依然在理论研究阶段 五阳井区 液位控制精度高，抽采过程均衡、稳定 神经元人工智能控制 —— 樊庄区块 自主优化决策，根据生产变化自动调整生产策略 强化学习 仍处于起步阶段 潘一东煤矿 自动判别抽采系统运行状态，预判危险的发生，实现自动控制 —— 采用PID控制，智能化程相对度低。 
下载: 导出CSV
-
[1] 文博杰,陈毓川,王高尚,等. 2035年中国能源与矿产资源需求展望[J]. 中国工程科学,2019,21(1):68−73. doi: 10.15302/J-SSCAE-2019.01.010 WEN Bojie,CHEN Yuchuan,WANG Gaoshang,et al. China’s demand for energy and mineral resources by 2035[J]. Strategic Study of CAE,2019,21(1):68−73. doi: 10.15302/J-SSCAE-2019.01.010
[2] MU F Y,ZHONG W Z,ZHAO X L,et al. Strategies for the development of CBM gas industry in China[J]. Natural Gas Industry B,2015,2(4):383−389. doi: 10.1016/j.ngib.2015.09.013
[3] 徐凤银,闫霞,林振盘,等. 我国煤层气高效开发关键技术研究进展与发展方向[J]. 煤田地质与勘探,2022,50(3):1−14. XU Fengyin,YAN Xia,LIN Zhenpan,et al. Research progress and development direction of key technologies for efficient coalbed methane development in China[J]. Coal Geology & Exploration,2022,50(3):1−14.
[4] 何东博,贾成业,位云生,等. 世界天然气产业形势与发展趋势[J]. 天然气工业,2022,42(11):1−12. HE Dongbo,JIA Chengye,WEI Yunsheng,et al. Current situation and development trend of world natural gas industry[J]. Natural Gas Industry,2022,42(11):1−12.
[5] 于天暝. 煤层气井站异常目标检测及识别算法研究[D]. 大连:大连理工大学,2019. YU Tianming. Research on detection and identification algorithm of abnormal targets in coalbed methane wells and stations[D]. Dalian:Dalian University of Technology,2019.
[6] 杨秀春,徐凤银,王虹雅,等. 鄂尔多斯盆地东缘煤层气勘探开发历程与启示[J]. 煤田地质与勘探,2022,50(3):30−41. doi: 10.12363/issn.1001-1986.21.12.0823 YANG Xiuchun,XU Fengyin,WANG Hongya,et al. Exploration and development process of coalbed methane in eastern margin of Ordos Basin and its enlightenment[J]. Coal Geology & Exploration,2022,50(3):30−41. doi: 10.12363/issn.1001-1986.21.12.0823
[7] 王国法,刘峰,庞义辉,等. 煤矿智能化:煤炭工业高质量发展的核心技术支撑[J]. 煤炭学报,2019,44(2):349−357. WANG Guofa,LIU Feng,PANG Yihui,et al. Coal mine intellectualization:The core technology of high quality development[J]. Journal of China Coal Society,2019,44(2):349−357.
[8] ZHANG J Y,HE Q Z,CHEN J,et al. Mechanism of gas bubble migration in meso fissure of coal water injection based on CT images[J]. Fuel,2024,358:130327. doi: 10.1016/j.fuel.2023.130327
[9] 胡林杰,冯增朝,周动,等. 煤层气原位注热开采的数值模拟研究及工程实践[J]. 煤炭学报,2023,48(12):4473−4486. HU Linjie,FENG Zengchao,ZHOU Dong,et al. Numerical simulation study and engineering practice of in situ heat injection mining of coalbed methane[J]. Journal of China Coal Society,2023,48(12):4473−4486.
[10] 张文龙,魏庆阳,周围. 人工智能在煤层气勘探开发应用中面临的挑战及应对策略[J]. 信息系统工程,2021(3):51−55. ZHANG Wenlong,WEI Qingyang,ZHOU Wei. Challenges and countermeasures of artificial intelligence in CBM exploration and development[J]. China CIO News,2021(3):51−55.
[11] 黄中伟,李国富,杨睿月,等. 我国煤层气开发技术现状与发展趋势[J]. 煤炭学报,2022,47(9):3212−3238. HUANG Zhongwei,LI Guofu,YANG Ruiyue,et al. Review and development trends of coalbed methane exploitation technology in China[J]. Journal of China Coal Society,2022,47(9):3212−3238.
[12] 翟成,李贤忠,李全贵. 煤层脉动水力压裂卸压增透技术研究与应用[J]. 煤炭学报,2011,36(12):1996−2001. ZHAI Cheng,LI Xianzhong,LI Quangui. Research and application of coal seam pulse hydraulic fracturing technology[J]. Journal of China Coal Society,2011,36(12):1996−2001.
[13] SANG S X,XU H J,FANG L C,et al. Stress relief coalbed methane drainage by surface vertical wells in China[J]. International Journal of Coal Geology,2010,82(3-4):196−203. doi: 10.1016/j.coal.2009.10.016
[14] 潘和平,刘国强. 应用BP神经网络预测煤质参数及含气量[J]. 地球科学,1997,22(2):210−214. PAN Heping,LIU Guoqiang. Applying back-propagation artificial neural networks to predict coal quality parameters and coalbed gas content[J]. Earth Science,1997,22(2):210−214.
[15] 陈涛,张占松,周雪晴,等. 基于测井参数优选的煤层含气量预测模型[J]. 煤田地质与勘探,2021,49(3):227−235,243. CHEN Tao,ZHANG Zhansong,ZHOU Xueqing,et al. Prediction model of coalbed methane content based on well logging parameter optimization[J]. Coal Geology & Exploration,2021,49(3):227−235,243.
[16] YANG Z Z,YANG C X,LI X G,et al. Pattern recognition of the vertical hydraulic fracture shapes in coalbed methane reservoirs based on hierarchical Bi-LSTM network[J]. Complexity,2020,2020(1):1734048.
[17] CHEN S,DOU L M,CAI W,et al. Evolution of coal microfracture by cyclic fracturing of liquid nitrogen based on μCT and convolutional neural networks[J]. Rock Mechanics and Rock Engineering,2024,57(3):2103−2124. doi: 10.1007/s00603-023-03649-w
[18] YANG W,LIN B Q,QU Y A,et al. Stress evolution with time and space during mining of a coal seam[J]. International Journal of Rock Mechanics and Mining Sciences,2011,48(7):1145−1152. doi: 10.1016/j.ijrmms.2011.07.006
[19] TU Q Y,CHENG Y P. Stress evolution and coal seam deformation through the mining of a remote upper protective layer[J]. Energy Sources,Part A:Recovery,Utilization,and Environmental Effects,2019,41(3):338−348.
[20] YUAN Z G,SHAO Y H,ZHU Z H. Similar material simulation study on protection effect of steeply inclined upper protective layer mining with varying interlayer distances[J]. Advances in Civil Engineering,2019,2019(1):1−14.
[21] 刘绪钢,周涌沂,张骏强,等. 非线性应力作用下裂缝砂岩应力敏感性特征[J]. 西南石油大学学报(自然科学版),2023,45(1):127−135. LIU Xugang,ZHOU Yongyi,ZHANG Junqiang,et al. Effect of nonlinear effective pressure on stress sensitivity in fracture sandstones[J]. Journal of Southwest Petroleum University (Science & Technology Edition),2023,45(1):127−135.
[22] 吕玉民,汤达祯,李治平,等. 煤层气井动态产能拟合与预测模型[J]. 煤炭学报,2011,36(9):1481−1485. LYU Yumin,TANG Dazhen,LI Zhiping,et al. Fitting and predicting models for coalbed methane wells dynamic productivity[J]. Journal of China Coal Society,2011,36(9):1481−1485.
[23] 徐慧. 粒子群优化算法改进及其在煤层气产能预测中的应用研究[D]. 徐州:中国矿业大学,2013. XU Hui. Improvement of particle swarm optimization algorithm and its application in coalbed methane productivity prediction[D]. Xuzhou:China University of Mining and Technology,2013.
[24] XU X J,RUI X P,FAN Y L,et al. Forecasting of coalbed methane daily production based on T-LSTM neural networks[J]. Symmetry,2020,12(5):861. doi: 10.3390/sym12050861
[25] 高翔. 基于SVM煤层气井井底流压预测方法研究[D]. 西安:西安科技大学,2017. GAO Xiang. Research on prediction method of bottom hole flowing pressure of coalbed methane well based on SVM[D]. Xi’an:Xi’an University of Science and Technology,2017.
[26] GUO Z X,ZHAO J Z,YOU Z J,et al. Prediction of coalbed methane production based on deep learning[J]. Energy,2021,230:120847. doi: 10.1016/j.energy.2021.120847
[27] 韩文龙,王延斌,刘度,等. 煤层气直井产气曲线特征及其与储层条件匹配性[J]. 煤田地质与勘探,2019,47(3):97−104. HAN Wenlong,WANG Yanbin,LIU Du,et al. The matching of gas production curve characteristic and reservoir conditions in vertical coalbed methane wells[J]. Coal Geology & Exploration,2019,47(3):97−104.
[28] 白建梅,秦义,石惠宁,等. 沁水盆地煤储层应力敏感分析及工艺对策[J]. 石油钻采工艺,2009,31(4):94−96. BAI Jianmei,QIN Yi,SHI Huining,et al. Analysis on stress sensitivity of coalbed methane reservoir in Qinshui Basin and Strategies[J]. Oil Drilling & Production Technology,2009,31(4):94−96.
[29] 石惠宁,马成宇,梅永贵,等. 樊庄高煤阶煤层气井智能排采技术研究及应用[J]. 石油钻采工艺,2010,32(4):107−111. SHI Huining,MA Chengyu,MEI Yonggui,et al. Research and application of intelligent recovery technology for Fanzhuang high rank CBM wells[J]. Oil Drilling & Production Technology,2010,32(4):107−111.
[30] 李芳. 煤层气井电潜泵排采技术研究与应用[D]. 青岛:中国石油大学,2011. LI Fang. Research and application of electric submersible pump drainage technology in coalbed methane wells[D]. Qingdao:China University of Petroleum,2011.
[31] 迟文龙. 基于FSVM的煤层气单井故障诊断研究[D]. 大连:大连理工大学,2013. CHI Wenlong. Study on fault diagnosis of coalbed methane single well based on FSVM[D]. Dalian:Dalian University of Technology,2013.
[32] 黄鹤. 潘一东煤矿煤层气智能抽采监控装备[J]. 煤矿安全,2018,49(10):106−109. HUANG He. Application of coalbed methane intelligent drainage monitoring equipment in panyidong coal mine[J]. Safety in Coal Mines,2018,49(10):106−109.
[33] 王清峰,陈航. 瓦斯抽采智能化钻探技术及装备的发展与展望[J]. 工矿自动化,2018,44(11):18−24. WANG Qingfeng,CHEN Hang. Development and prospect on intelligent drilling technology and equipment for gas drainage[J]. Industry and Mine Automation,2018,44(11):18−24.
[34] 方鹏,姚克,王龙鹏,等. ZDY25000LDK智能化定向钻进装备关键技术研究[J]. 煤田地质与勘探,2022,50(1):72−79. doi: 10.12363/issn.1001-1986.21.10.0597 FANG Peng,YAO Ke,WANG Longpeng,et al. Research on key technologies of the ZDY25000LDK intelligent directional drilling equipment[J]. Coal Geology & Exploration,2022,50(1):72−79. doi: 10.12363/issn.1001-1986.21.10.0597
[35] 田锦州. 煤与煤层气协调开发生产系统智能化设计[J]. 煤炭工程,2022,54(12):19−23. TIAN Jinzhou. Intelligent design of coordinated development and production system of coal and coalbed methane[J]. Coal Engineering,2022,54(12):19−23.
[36] 张抗,张立勤,刘冬梅. 近年中国油气勘探开发形势及发展建议[J]. 石油学报,2022,43(1):15−28,111. doi: 10.1038/s41401-021-00637-0 ZHANG Kang,ZHANG Liqin,LIU Dongmei. Situation of China’s oil and gas exploration and development in recent years and relevant suggestions[J]. Acta Petrolei Sinica,2022,43(1):15−28,111. doi: 10.1038/s41401-021-00637-0
[37] 吴西顺,孙张涛,杨添天,等. 全球非常规油气勘探开发进展及资源潜力[J]. 海洋地质前沿,2020,36(4):1−17. WU Xishun,SUN Zhangtao,YANG Tiantian,et al. Global progress in exploration and development of unconvetional hydrocarbons and assessment of resources potential[J]. Marine Geology Frontiers,2020,36(4):1−17.
[38] 张群,孙四清,降文萍. 碎软低渗煤层煤矿区煤层气勘探开发关键技术及发展方向[J]. 石油学报,2024,45(5):855−865. doi: 10.7623/syxb202405007 ZHANG Qun,SUN Siqing,JIANG Wenping. Key technologies and development direction of CBM exploration and development in coal mine area of fractured soft and low permeablity coal seams[J]. Acta Petrolei Sinica,2024,45(5):855−865. doi: 10.7623/syxb202405007
[39] ZOU Q L,CHEN Z H,CHENG Z H,et al. Evaluation and intelligent deployment of coal and coalbed methane coupling coordinated exploitation based on Bayesian network and cuckoo search[J]. International Journal of Mining Science and Technology,2022,32(6):1315−1328. doi: 10.1016/j.ijmst.2022.11.002
[40] QIAO L. The applied prospect of coal-bed methane productivity evaluation with logging technology[J]. Advanced Materials Research,2013,868:673−676. doi: 10.4028/www.scientific.net/AMR.868.673
[41] 赵智博. 基于多源异构数据的煤层气知识图谱构建与应用研究[D]. 徐州:中国矿业大学,2023. ZHAO Zhibo. Construction and application of coalbed methane knowledge map based on multi-source heterogeneous data[D]. Xuzhou:China University of Mining and Technology,2023.
[42] 钟江城. 基于CT可视化的深部煤体损伤和渗透率演化规律研究[D]. 北京:中国矿业大学(北京),2018. ZHONG Jiangcheng. Study on the evolution law of deep coal damage and permeability based on CT visualization[D]. Beijing:China University of Mining & Technology,Beijing,2018.
[43] TAN Y L,PAN Z J,LIU J S,et al. Experimental study of impact of anisotropy and heterogeneity on gas flow in coal. Part I:Diffusion and adsorption[J]. Fuel,2018,232:444−453. doi: 10.1016/j.fuel.2018.05.173
[44] 杜新锋. 煤层气地面与井下一体化抽采三维可视化管理系统关键技术[J]. 煤田地质与勘探,2011,39(5):31−34. doi: 10.3969/j.issn.1001-1986.2011.05.008 DU Xinfeng. 3D visualization management system for the integrated drainage of coalbed methane from surface and underground[J]. Coal Geology & Exploration,2011,39(5):31−34. doi: 10.3969/j.issn.1001-1986.2011.05.008
[45] 李贵红,赵佩佩,吴信波. 煤层气地质工程一体化平台的建设构想[J]. 煤田地质与勘探,2022,50(9):130−136. doi: 10.12363/issn.1001-1986.21.11.0626 LI Guihong,ZHAO Peipei,WU Xinbo. Construction concept of integrated geological engineering platform for coalbed methane[J]. Coal Geology & Exploration,2022,50(9):130−136. doi: 10.12363/issn.1001-1986.21.11.0626
[46] 孟召平,章朋,田永东,等. 围压下煤储层应力-应变、渗透性与声发射试验分析[J]. 煤炭学报,2020,45(7):2544−2551. MENG Zhaoping,ZHANG Peng,TIAN Yongdong,et al. Experimental analysis of stress-strain,permeability and acoustic emission of coal reservoir under different confining pressures[J]. Journal of China Coal Society,2020,45(7):2544−2551.
[47] 石智军,姚克,姚宁平,等. 我国煤矿井下坑道钻探技术装备40年发展与展望[J]. 煤炭科学技术,2020,48(4):1−34. SHI Zhijun,YAO Ke,YAO Ningping,et al. 40 years of development and prospect on underground coal mine tunnel drilling technology and equipment in China[J]. Coal Science and Technology,2020,48(4):1−34.
[48] 张遂安,刘欣佳,温庆志,等. 煤层气增产改造技术发展现状与趋势[J]. 石油学报,2021,42(1):105−118. doi: 10.7623/syxb202101010 ZHANG Suian,LIU Xinjia,WEN Qingzhi,et al. Development situation and trend of stimulation and reforming technology of coalbed methane[J]. Acta Petrolei Sinica,2021,42(1):105−118. doi: 10.7623/syxb202101010
[49] 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):21−32. 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):21−32.
[50] 曾雯婷,徐凤银,张雷,等. 鄂尔多斯盆地东缘深部煤层气排采工艺技术进展与启示[J]. 煤田地质与勘探,2024,52(2):23−32. ZENG Wenting,XU Fengyin,ZHANG Lei,et al. Deep coalbed methane production technology for the eastern margin of the Ordos Basin:Advances and their implications[J]. Coal Geology & Exploration,2024,52(2):23−32.
[51] 周德华,陈刚,陈贞龙,等. 中国深层煤层气勘探开发进展、关键评价参数与前景展望[J]. 天然气工业,2022,42(6):43−51. ZHOU Dehua,CHEN Gang,CHEN Zhenlong,et al. Exploration and development progress,key evaluation parameters and prospect of deep CBM in China[J]. Natural Gas Industry,2022,42(6):43−51.
[52] 秦勇,申建,史锐. 中国煤系气大产业建设战略价值与战略选择[J]. 煤炭学报,2022,47(1):371−387. QIN Yong,SHEN Jian,SHI Rui. Strategic value and choice on construction of large CMG industry in China[J]. Journal of China Coal Society,2022,47(1):371−387.
[53] 梁冰,石迎爽,孙维吉,等. 中国煤系“三气” 成藏特征及共采可能性[J]. 煤炭学报,2016,41(1):167−173. LIANG Bing,SHI Yingshuang,SUN Weiji,et al. Reservoir forming characteristics of “the three gases” in coal measure and the possibility of commingling in China[J]. Journal of China Coal Society,2016,41(1):167−173.
[54] 秦勇,吴建光,李国璋,等. 煤系气开采模式探索及先导工程示范[J]. 煤炭学报,2020,45(7):2513−2522. QIN Yong,WU Jianguang,LI Guozhang,et al. Patterns and pilot project demonstration of coal measures gas production[J]. Journal of China Coal Society,2020,45(7):2513−2522.
[55] 孟尚志,李勇,王建中,等. 煤系“三气” 单井筒合采可行性分析:基于现场试验井的讨论[J]. 煤炭学报,2018,43(1):168−174. MENG Shangzhi,LI Yong,WANG Jianzhong,et al. Co-production feasibility of “Three gases” in coal measures:Discussion based on field test well[J]. Journal of China Coal Society,2018,43(1):168−174.
[56] 侯晓伟,朱炎铭,付常青,等. 沁水盆地压裂裂缝展布及对煤系“三气” 共采的指示意义[J]. 中国矿业大学学报,2016,45(4):729−738. HOU Xiaowei,ZHU Yanming,FU Changqing,et al. Fractures distribution of Qinshui basin and its indicative significance to unconventional gas co-exploration in coal measures[J]. Journal of China University of Mining & Technology,2016,45(4):729−738.
计量
- 文章访问数: 13
- HTML全文浏览量: 3
- PDF下载量: 17
