《Processes》:Machine-Learning Algorithm and Decline-Curve Analysis Comparison in Forecasting Gas Production
Dan-Romulus Jacota,
Cristina Roxana Popa,
Maria T?nase and
Cristina Veres
编辑推荐:
研究人员利用机器学习算法重新解释最初通过递减曲线分析(DCA)绘制的现有数据集,旨在提高预测精度而无需获取新的现场数据。研究人员汇编了历史生产记录:月度油/气产量、井底压力和累积产量,通过最小二乘法优化拟合至Arps方程,并将关键递减参数(如初始产量、名义递减
研究人员利用机器学习算法重新解释最初通过递减曲线分析(DCA)绘制的现有数据集,旨在提高预测精度而无需获取新的现场数据。研究人员汇编了历史生产记录:月度油/气产量、井底压力和累积产量,通过最小二乘法优化拟合至Arps方程,并将关键递减参数(如初始产量、名义递减率和双曲指数)作为输入数据。研究人员训练并验证了四种机器学习模型:人工神经网络(ANN)、支持向量机(SVM)和线性回归(LR),采用80/20训练-测试分割和5折交叉验证。使用均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)评估模型性能。ANN表现最佳,在独立测试集上达到近乎完美的预测精度(R2≈1),且误差值较低(油产量:MSE=0.0012 Ncm2/month2,RMSE=0.035 Ncm/month,MAE=0.028 Ncm/month)。气体产量和压力预测也获得了类似精度。这些结果反映了所分析数据集中存在的强且高度规则的关系,而非精确的零误差拟合。ANN的多层架构有效捕捉了Arps参数与瞬态流态之间的非线性相互作用,优于经验方法和物理约束方法。线性回归取得了良好结果(R2=0.98,RMSE=0.15 Ncm/month),但在高递减场景下表现不佳,未能准确模拟指数尾部。SVM表现出最大偏差(RMSE=0.42 Ncm/month,R2=0.89),归因于稀疏、噪声递减数据中的核敏感性。随机森林(RF)提供了中等性能(R2=0.97)。这种基于ANN的方法通过自动化参数调整和不确定性量化重新定义了递减分析,与经典Arps方法相比,预测误差降低了85%。
该论文发表在《Processes》上,由Dan-Romulus Jacota、Cristina Roxana Popa、Maria T?nase和Cristina Veres完成。研究背景方面,生产预测是油藏工程(Reservoir Engineering)的核心,直接影响油田开发规划、储量估算和经济决策。传统递减曲线分析(DCA:基于历史产量数据拟合经验曲线预测未来产量的方法)虽广泛应用,但存在若干固有局限:假设恒定操作条件、边界主导流、驱动机制不变,且无法处理早期瞬态流态,导致在非常规储层中预测偏差显著。近年来,机器学习(Machine Learning)算法被提出作为替代方案,但文献中直接对比经典Arps递减模型与多种机器学习算法的研究极为稀缺,文献计量分析仅检索到25篇相关文献,且呈现碎片化趋势。为此,研究人员开展此项研究,旨在用一个统一框架系统比较传统DCA与多种机器学习算法在天然气产量和压力预测中的性能,并探索将Arps参数嵌入人工神经网络(ANN)的可行性。研究得出,ANN在预测精度上显著优于DCA及其他机器学习方法,误差降低85%,具有重要的工程应用价值。
为开展研究,研究人员使用了从罗马尼亚中部某气田采集的300个数据点,涵盖日产量与井底压力。关键技术方法包括:三种经典Arps递减模型(指数、双曲、调和)用于基准预测;四种机器学习算法——线性回归(LR:一种基于线性关系的预测方法)、支持向量机(SVM:通过核函数在高维空间寻找最优超平面的方法)、人工神经网络(ANN:模拟生物神经元的多层网络结构)和随机森林(RF:基于集成决策树的算法)——在MATLAB 2018环境中实现,采用80/20训练-测试分割和5折交叉验证。模型评估指标为均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R
2)。样本队列为单一气田的历史生产数据,未涉及其他来源。
研究结果按原文小标题总结如下:
**2. 文献计量分析与研究空白识别(Bibliometric Analysis and Identification of Research Gaps)**
通过Web of Science检索,发现明确结合Arps递减模型与机器学习的研究仅25篇,且2017–2019年产出停滞,2022年峰值后骤降70%。关键词共现网络显示,传统DCA术语与机器学习术语分属不同聚类,连接稀疏,表明现有研究多将两者分开处理,缺乏直接比较。主题图将DCA归类为“新兴主题”,低中心性反映其边缘化地位。本研究通过将ANN应用于经典Arps模型,填补了这一空白,推动DCA向“马达主题”象限迁移。
**3. Arps递减模型(Arps Decline Models)**
应用指数、双曲(b=0.5)和调和三种递减曲线对300个数据点进行预测,预测时间跨度1至4年。指数递减预测最接近实际数据,但在第300天高估约2500 Nm
3;双曲递减预测结果偏高;调和递减完全不适用。压力预测方面,三种模型均无直接物理关联,因此后续仅用机器学习算法进行压力预测。
**4. 机器学习算法(Machine-Learning Algorithms)**
该部分分为三个子算法:
- **4.1 线性回归(Linear Regression)**
对300个数据点进行压力和产量预测。压力预测效果良好,但产量预测在非线性递减条件下偏差增大,尤其在指数尾部拟合不准确,R
2=0.98,RMSE=0.15 Ncm/month。
- **4.2 支持向量机(Support Vector Machine)**
采用SVM回归进行预测,整体性能最差。RMSE=0.42 Ncm/month,R
2=0.89,误差最高,归因于核函数在稀疏、噪声递减数据中的敏感性。
- **4.3 人工神经网络(Artificial Neural Networks)**
构建前馈神经网络,压力预测使用1个隐藏层(10神经元),产量预测使用2个隐藏层(各10神经元),采用Levenberg–Marquardt反向传播算法。ANN在独立测试集上达到R
2≈1,MSE=0.0012 Ncm
2/month
2,RMSE=0.035 Ncm/month,MAE=0.028 Ncm/month,均优于其他方法。多层架构有效捕获了Arps参数与瞬态流态间的非线性交互。
**5. 结论(Conclusions)**
研究人员总结讨论认为,ANN显著优于传统Arps递减模型、线性回归和SVM,在压力和产量预测中均实现近乎完美的拟合(R
2=1)。这归因于ANN捕捉复杂非线性行为的能力,而传统经验方程仅部分表征。线性回归在压力预测中尚可,但产量预测鲁棒性不足;SVM性能最差。文献计量分析验证了该领域研究的稀疏性,本研究将Arps经典模型嵌入ANN框架,实现了递减分析的现代化。该基于ANN的方法无需额外现场数据即可大幅降低预测不确定性,误差较经典Arps法降低85%,可应用于储量估算、产量优化和油田开发规划。此外,该方法具有广泛适用性,可推广至其他石油工程问题(如流体性质估算)及工业过程建模与优化。