基于深度自回归神经网络的多井产量概率预测

来源：石油科学通报杂志2024年第4期北京时间：

作者：韩江峡；薛亮；位云生；齐亚东；王军磊；陈海洋；刘月田

单位：中国石油大学(北京)油气资源与工程全国重点实验室,北京 102249;中国石油大学(北京)石油工程学院,北京 102249%中国石油勘探开发研究院,北京 100083

摘要：传统产量预测方法易受到单井生产历史和模型假设条件的限制,预测结果无法量化不确定性,难以考虑区块其他生产井开发规律对目标井的指导作用,无法充分利用大量相关的生产历史数据.为此,提出一种以深度自回归神经网络为基础,多井产量数据驱动的概率预测新模型.考虑生产时间、油/套压等动态协变量数据,结合贝叶斯推断,利用梯度下降算法和极大似然估计方法,得到多井共有的广义历史—未来产量概率演化模式,实现基于数据驱动的多井产量概率预测.利用鄂尔多斯盆地某两个区块 943 口致密气井的数据,研究了深度自回归神经网络模型在单井预测、分类预测和总体区块产量预测上的性能.研究结果表明:相比传统深度学习模型(LSTM),新模型利用学习得到的广义产量概率演化模式与目标井的特定产量历史数据相结合,形成"广义+特定"的产量概率预测方法,平均意义上较LSTM模型相对误差降低了 45%.分类模型较全局模型相对误差降低了 24%,实现了在全局模型的基础上,进一步降低了概率预测的不确定性,提高了特定精细分类井的预测精度.经过实际数据验证,新模型预测精度更好,鲁棒性更强,可以用于油气藏多井产量预测分析.

关键词：产量预测,多井预测,神经网络,致密气,概率预测,区块预测