基于深度迁移学习策略的CO2气窜时机智能预警模型

来源：石油科学通报杂志2025年第5期北京时间：

作者：赵北辰, 姚约东, 舒晋, 袁晓琪, 侯靖宇, 岳可心, 陈鑫

单位：1 中国石油大学(北京)石油工程学院，北京 1022492 中国石油大学(北京)油气资源与工程全国重点实验室，北京 1022493 长庆油田苏里格气田开发分公司，鄂尔多斯 0173004 中国石油大学(北京)理学院，北京 1022495 西安石油大学石油工程学院，西安 710065

摘要：CO2驱油技术作为油藏高效开发与碳封存协同推进的关键手段，其应用过程中面临的CO2气窜问题，已成为限制采收率提升与碳封存安全性的重要工程难题。因此，准确预测CO2气窜时机并采取有效防控措施，对保障 CO2驱开发效益、提升碳封存稳定性具有不可替代的重要意义。然而，现有预测方法在实际应用中面临诸多挑战：(1)传统定量表征模型依赖特定油藏参数，难以适应不同类型油藏的预测需求；(2)气窜发生前期气油比接近于零，数据呈现高维、小样本、稀疏等特征，导致传统经验公式方法在捕捉复杂非线性模式方面表现有限；(3) 储层中高渗带和裂缝等优势渗流通道分布具有随机性，其渗透率远高于基质渗透率，且通道参数难以精准表征，进一步加剧了CO2气窜发生时机预测的复杂性和不确定性。为解决这些问题，本研究提出了一种融合多源域深度迁移学习与Stacking集成学习的智能预测方法。该方法采用多源异构数据训练策略，通过自适应技术实现不同油藏间的知识迁移，并采用了支持向量回归(Support Vector Regression, SVR)、决策树(Decision Tree, DT)、随机森林(Random Forest, RF)、K近邻(K-Nearest Neighbors Algorithm, KNN)4种基模型构成Stacking集成框架，融合各基学习器的预测优势，有效提升对CO2气窜时机这类高维小样本数据的拟合能力与复杂模式捕捉精度。矿场应用结果表明，该方法具有优异的预测性能，决定系数(Coefficient of Determination, R2)达0.96，均方误差(Mean Squared Error, MSE)为12.61，平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)低至6.04%。本研究不仅为CO2气窜预测提供了更加精准与智能化的技术路径，还展现了良好的通用性和跨油藏适应能力，为不同类型油藏的CO2驱开发优化提供了新的解决方案，对提升原油采收率、降低开发风险以及实现大规模碳封存目标具有重要的工程应用价值。同时也为天然气窜流、水窜等其他流体窜流时机的预测与防控研究提供了有益的借鉴与参考。

关键词：CO2气窜,深度迁移学习策略,Stacking模型,CO2提高采收率

基金资助：国家重点基础研究发展计划(“973”计划)项目“陆相致密油高效开发基础研究”(2015CB250902);国家自然科学基金青年基金“CO2驱侵入前缘失稳机理及脉冲调控机制研究”(52404036)