蘇里格氣田召51區(qū)塊自動(dòng)間開(kāi)井油套壓AI時(shí)序預(yù)測(cè)研究

中圖分類號(hào)：TP311.1 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2025）18-0067-04

Abstract：Thewelheadcasing pressureofhighwater-containingtightsandstonegasreservoirinSuligeisanimportant indicatortoreflecttheproductionperformanceofgaswellandformationenergystatus.Inordertoaccuratelypredictthe changesofcasingpressure，ensureeficientproductionofgaswels，andavoidabnormalevents，historicaldataofcasing presure ofautomaticshut-inwelsin Block Zhao51of Sulige GasFieldareselected，andfiveindicatorsincludingRMSE，R， MAE，MBE，andMAPEarecomprehensivelyused toquantitivelyevaluate BP，GA-BP，PSO-BP，RBF，ELM，RF，SVM，CNN， LSTMtheperformanceofthesenineartificialintellgencemodelsinthisblock.Theresultsshowthat，inBlockZhao51，the optimalodelforAItimeseriespredictingoilpresureisRBF，andtheoptimalmodelforAItimeseriespredictingcasing presureisPSO-BP.Itcanpredictthechangeofcasingpressureingaswelsinthenext48hours，anditsgeneralization abilityis5times higherthanthatoftheRFmodelwithpoorcomprehensiveevaluationperformance.Theresearchresultsareof greatsignificanceforimprovingtheaplicabiltyoftecasingpressrepredictionmodelintheblockandgivingfullplaytothe productivity of gas wells.

KeyWords： RBF;PSO-BP;production system optimization; casing pressure prediction; AI timing

蘇里格氣田召51區(qū)塊目前有20口氣井配備自動(dòng)化間開(kāi)設(shè)備，需進(jìn)一步向智能化轉(zhuǎn)型，結(jié)合人工智能技術(shù)優(yōu)化生產(chǎn)制度提高采收率。在召51區(qū)塊，技術(shù)人員通過(guò)氣井油套壓變化來(lái)判斷井筒積液與生產(chǎn)異常情況。但井多人少，常常判斷不及時(shí)，處理滯后，導(dǎo)致氣井異常情況惡化。通過(guò)AI時(shí)序預(yù)測(cè)油套壓未來(lái)變化，可預(yù)判異常情況，并提前向技術(shù)人員發(fā)出警報(bào)，為氣井提供“天氣預(yù)報(bào)”，減少氣井異常事件發(fā)生概率。時(shí)序預(yù)測(cè)通過(guò)挖掘時(shí)序數(shù)據(jù)內(nèi)在規(guī)律，依據(jù)已知因素對(duì)未來(lái)進(jìn)行類推與延展。基于機(jī)器學(xué)習(xí)的時(shí)序預(yù)測(cè)方法分為線性和非線性方法，線性方法包括指數(shù)平滑法、自回歸積分移動(dòng)平均預(yù)測(cè)方法等，非線性方法包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等3。目前，氣井AI時(shí)序預(yù)測(cè)主要用于分析產(chǎn)量變化并指導(dǎo)生產(chǎn)。基于GPM的產(chǎn)量預(yù)測(cè)模型可用于碳酸鹽巖氣井短周期產(chǎn)量預(yù)測(cè)。基于LSTM的產(chǎn)量預(yù)測(cè)模型可用于煤層氣井長(zhǎng)周期產(chǎn)量預(yù)測(cè)。目前，AI模型應(yīng)用于氣井時(shí)序預(yù)測(cè)油套壓的研究較缺乏。召51區(qū)塊生產(chǎn)制度優(yōu)化主要依靠人工分析油套壓變化來(lái)決策與實(shí)施，存在滯后性，且措施執(zhí)行率低。為此，聚焦于召51區(qū)塊自動(dòng)間開(kāi)井油套壓預(yù)測(cè)問(wèn)題，系統(tǒng)研究和對(duì)比多種AI時(shí)序預(yù)測(cè)模型在本區(qū)塊特定場(chǎng)景下的應(yīng)用效果，篩選出最優(yōu)AI模型，提高預(yù)測(cè)準(zhǔn)確性與穩(wěn)定性，為氣井生產(chǎn)異常預(yù)警與優(yōu)化提供技術(shù)支持。

1模型與方法

1.1 AI時(shí)序預(yù)測(cè)模型

選取常用的9種AI時(shí)序預(yù)測(cè)模型用于召51區(qū)塊自動(dòng)間開(kāi)井油套壓預(yù)測(cè)研究，即BP（BP神經(jīng)網(wǎng)絡(luò)）、GA-BP（遺傳算法GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)）PSO-BP（粒子群優(yōu)化算法PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)）、RBF（徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)）ELM（極限學(xué)習(xí)機(jī)）、RF（隨機(jī)森林）、SVM（支持向量機(jī)）CNN（卷積神經(jīng)網(wǎng)絡(luò)）LSTM（長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)）。9種AI模型的原理、結(jié)構(gòu)等內(nèi)容可在相關(guān)文獻(xiàn)中找到，本文不再贅述。

1.2 模型評(píng)價(jià)指標(biāo)

為評(píng)估AI時(shí)序預(yù)測(cè)模型的性能，選取RMSE、 ?R² ，MAE、MBE、MAPE作為評(píng)價(jià)指標(biāo)，計(jì)算公式分別如下

式中： n 表示樣本數(shù)量， y_i 表示實(shí)際值， 表示預(yù)測(cè)值，y 表示實(shí)際值的平均值。

RMSE反映預(yù)測(cè)數(shù)據(jù)的離散程度，MAE衡量預(yù)測(cè)值與真實(shí)值之間的平均距離，MAPE可在不同規(guī)模數(shù)據(jù)上評(píng)估模型的相對(duì)誤差，這3項(xiàng)指標(biāo)值越小代表模型性能越好。MBE衡量模型是否存在系統(tǒng)性預(yù)測(cè)偏差，當(dāng)MBE為零表示預(yù)測(cè)平衡，當(dāng)MBE為正表示高估真實(shí)值，當(dāng)MBE為負(fù)表示低估真實(shí)值。 R² 可評(píng)估擬合程度，取值范圍0＼～1，越接近1代表模型預(yù)測(cè)效果越好。

另外，本文綜合考慮上述5項(xiàng)指標(biāo)定義出一個(gè)新的綜合評(píng)價(jià)指標(biāo)ZH，ZH值越小代表模型的性能越好。ZH計(jì)算公式為

ZH=RMSE×0.2–R²×0.2+MAE×0.2

+|MAE|×0.1+MAPE×0.3

1.3 AI時(shí)序預(yù)測(cè)方法

首先，收集召51區(qū)塊的20口自動(dòng)間開(kāi)井X月1日0：00：00到20日23：50：00的井口油套壓歷史數(shù)據(jù)，數(shù)據(jù)點(diǎn)時(shí)間間隔為 10min 將數(shù)據(jù)按照7：3劃分為訓(xùn)練集和測(cè)試集數(shù)據(jù)，訓(xùn)練集用于學(xué)習(xí)訓(xùn)練模型，測(cè)試集用于對(duì)訓(xùn)練好的模型進(jìn)行檢驗(yàn)。延時(shí)步長(zhǎng)取15（即取15個(gè)歷史數(shù)據(jù)作為自變量），跨1個(gè)時(shí)間點(diǎn)進(jìn)行預(yù)測(cè)。

針對(duì)BP時(shí)序預(yù)測(cè)模型，逐一計(jì)算出20口自動(dòng)間開(kāi)井油壓訓(xùn)練集與測(cè)試集2組數(shù)據(jù)的RMSE評(píng)價(jià)指標(biāo)值，再對(duì)20口井的RMSE評(píng)價(jià)指標(biāo)值求取平均值，以代表整個(gè)區(qū)塊的模型評(píng)價(jià)情況，然后將訓(xùn)練集與測(cè)試集2組數(shù)據(jù)的RMSE評(píng)價(jià)指標(biāo)平均值計(jì)算加權(quán)平均數(shù)，以代表包含訓(xùn)練與測(cè)試的整個(gè)單井時(shí)序數(shù)據(jù)樣本的模型評(píng)價(jià)情況。其余的 R² MAE、MBE、MAPE這4項(xiàng)評(píng)價(jià)指標(biāo)按照RMSE評(píng)價(jià)指標(biāo)的方法完成計(jì)算。至此，完成了BP模型在召51區(qū)塊20口自動(dòng)間開(kāi)井的全部5項(xiàng)評(píng)價(jià)指標(biāo)的計(jì)算。然后，按照BP模型的方法完成GA-BP、PSO-BP、RBF、ELM、RF、SVM、CNN、LSTM模型的5項(xiàng)評(píng)價(jià)指標(biāo)計(jì)算。接著，按照公式（6）計(jì)算5項(xiàng)評(píng)價(jià)指標(biāo)的綜合評(píng)價(jià)指標(biāo)ZH，通過(guò)對(duì)比綜合評(píng)價(jià)指標(biāo)ZH大小優(yōu)選出召51區(qū)塊自動(dòng)間開(kāi)井油壓AI時(shí)序預(yù)測(cè)的最佳模型。再應(yīng)用最佳模型對(duì)氣井油壓向前預(yù)測(cè)未來(lái)的數(shù)據(jù)，預(yù)測(cè)的未來(lái)數(shù)據(jù)存在異常則發(fā)出預(yù)警，技術(shù)人員收到預(yù)警信號(hào)后進(jìn)行超前分析，及時(shí)采取處理措施，避免氣井發(fā)生異常事件。至此，完成了召51區(qū)塊自動(dòng)間開(kāi)井AI時(shí)序預(yù)測(cè)油壓的整個(gè)流程。套壓的AI時(shí)序預(yù)測(cè)流程方法跟油壓一樣進(jìn)行。

訓(xùn)練集和測(cè)試集的模型輸入數(shù)據(jù)均來(lái)源于實(shí)際歷史數(shù)據(jù)，輸出數(shù)據(jù)作為預(yù)測(cè)結(jié)果。預(yù)測(cè)未來(lái)的數(shù)據(jù)時(shí)，除了模型第一組輸入數(shù)據(jù)來(lái)源于實(shí)際歷史末端15個(gè)數(shù)據(jù)外，其余數(shù)據(jù)均來(lái)源于預(yù)測(cè)的未來(lái)數(shù)據(jù)的逐次遞推組合。因此，預(yù)測(cè)未來(lái)的數(shù)據(jù)時(shí)，越往后預(yù)測(cè)，越脫離歷史實(shí)際數(shù)據(jù)的約束，置信度越低。

2 結(jié)果與分析

2.1 模型適用性分析與優(yōu)選

本文優(yōu)選AI模型主要是用于向未來(lái)預(yù)測(cè)，因此測(cè)試集比訓(xùn)練集數(shù)據(jù)計(jì)算出的評(píng)價(jià)指標(biāo)更有意義。為此，將油套壓訓(xùn)練集和測(cè)試集數(shù)據(jù)計(jì)算出的評(píng)價(jià)指標(biāo)分別乘以0.3、0.7權(quán)重系數(shù)，求取加權(quán)平均數(shù)代表整體評(píng)價(jià)指標(biāo)，計(jì)算公式表示為

GT=XL×0.3+CS×0.7

式中： GT 表示整個(gè)訓(xùn)練集和測(cè)試集數(shù)據(jù)的整體評(píng)價(jià)指標(biāo)， XL 表示訓(xùn)練集數(shù)據(jù)的評(píng)價(jià)指標(biāo)， CS 表示測(cè)試集數(shù)據(jù)的評(píng)價(jià)指標(biāo)。

將9種AI時(shí)序預(yù)測(cè)模型運(yùn)用于召51區(qū)塊自動(dòng)間開(kāi)井歷史油套壓數(shù)據(jù)時(shí)，按前文AI時(shí)序預(yù)測(cè)方法計(jì)算出的RMSE、 ?R² MAE、MBE、MAPE這5項(xiàng)評(píng)價(jià)指標(biāo)整體差異性不明顯，如圖1所示。這反映出9種模型均可在本區(qū)塊使用，但同時(shí)給通過(guò)對(duì)比5項(xiàng)評(píng)價(jià)指標(biāo)差異優(yōu)選出最佳模型帶來(lái)了困難。為此，需通過(guò)公式（6）計(jì)算綜合評(píng)價(jià)指標(biāo)ZH并比較其值大小，明確最優(yōu)模型。

召51區(qū)塊自動(dòng)間開(kāi)井AI時(shí)序預(yù)測(cè)油壓的模型種AI時(shí)序預(yù)測(cè)模型，對(duì)于召51區(qū)塊自動(dòng)間開(kāi)井而綜合評(píng)價(jià)指標(biāo)ZH的最小值為-0.11956，AI時(shí)序預(yù)測(cè) 言，AI時(shí)序預(yù)測(cè)油壓的最優(yōu)模型是RBF，AI時(shí)序預(yù)測(cè)套壓的最小值為-0.18701，詳見(jiàn)表1。因此，針對(duì)這9套壓的最優(yōu)模型是PSO-BP。

2.2 預(yù)警應(yīng)用與分析

將優(yōu)選出的AI模型應(yīng)用在Z30-9井上預(yù)測(cè)未來(lái)數(shù)據(jù)。首先，每隔 10min 采集X月1日—20日Z(yǔ)30-9井的歷史油套壓數(shù)據(jù)，基于RBF模型學(xué)習(xí)訓(xùn)練油壓數(shù)據(jù)，基于PSO-BP模型學(xué)習(xí)訓(xùn)練套壓數(shù)據(jù)。在訓(xùn)練模型時(shí)，基本單元采取15個(gè)樣本點(diǎn)推測(cè)1個(gè)樣本點(diǎn)的方式進(jìn)行時(shí)序預(yù)測(cè)。在對(duì)全部歷史數(shù)據(jù)學(xué)習(xí)訓(xùn)練好AI時(shí)序預(yù)測(cè)模型后，以X月20日21：30至23：50的15個(gè)歷史末端數(shù)據(jù)為起始輸人，向后預(yù)測(cè)第16個(gè)時(shí)間點(diǎn)（即X月21日0：00）的未知數(shù)據(jù)，之后再以X月20日21：40到X月21日0：00這15個(gè)數(shù)據(jù)向后預(yù)測(cè)，以此類推，預(yù)測(cè)完X月21日0：00到X月22日23：

50這2天的未來(lái)數(shù)據(jù)（如圖2（a）所示）。

Z30-9井應(yīng)用RBF模型預(yù)測(cè)油壓發(fā)現(xiàn)，X月20日以后再過(guò)2天到X月22日23：50關(guān)井油壓恢復(fù)不起來(lái)，預(yù)測(cè)的最大油壓復(fù)壓值為 4.68MPa ，遠(yuǎn)低于歷史油壓復(fù)壓值 7.16MPa 。Z30-9井應(yīng)用PSO-BP模型預(yù)測(cè)套壓發(fā)現(xiàn)，X月20日以后再過(guò)2天到X月22日23：50關(guān)井套壓可恢復(fù)起來(lái)，預(yù)測(cè)的最大套壓復(fù)壓值為 7.76MPa ，與歷史套壓復(fù)壓值 7.937MPa 相近。因此，Z30-9井油壓、套壓向未來(lái)預(yù)測(cè)后，于X月20日23：51向召51區(qū)塊技術(shù)人員發(fā)出預(yù)警信息：Z30-9井預(yù)測(cè)關(guān)井油壓無(wú)法恢復(fù)正常，建議優(yōu)化生產(chǎn)制度縮短開(kāi)井時(shí)間。技術(shù)人員收到預(yù)警信息后，對(duì)Z30-9井進(jìn)行生產(chǎn)動(dòng)態(tài)觀察與分析，確認(rèn)需要改變生產(chǎn)制度，否則井底積液將進(jìn)一步惡化，嚴(yán)重時(shí)甚至導(dǎo)致氣井停產(chǎn)，于是將Z30-9井原來(lái)的生產(chǎn)制度\"兩天開(kāi)一次井，一次開(kāi)井 10h^′′ ，優(yōu)化為“兩天開(kāi)一次井，一次開(kāi)井5h^′ ，將開(kāi)井時(shí)間縮短了一半。自動(dòng)間開(kāi)設(shè)備于X月22日23：00至X月23日4：00首次執(zhí)行優(yōu)化后的新生產(chǎn)制度，之后，油壓可恢復(fù)起來(lái)（復(fù)壓到 6.93MPa ），并且優(yōu)化后氣井生產(chǎn)更加平穩(wěn)（如圖2（b）所示）。優(yōu)化前油套壓曲線相對(duì)紊亂，優(yōu)化后油套壓曲線恢復(fù)正常且變化規(guī)律（圖2）。

優(yōu)選出的RBF、PSO-BP模型向前預(yù)測(cè)2天可保持與實(shí)際數(shù)據(jù)的變化趨勢(shì)一致（圖2（b）），而本區(qū)塊綜合評(píng)價(jià)性能差的RF模型僅可向前預(yù)測(cè)油套壓 8h

3 結(jié)論與建議

1）通過(guò)計(jì)算和對(duì)比綜合評(píng)價(jià)指標(biāo)，優(yōu)選出蘇里格氣田召51區(qū)塊自動(dòng)間開(kāi)井AI時(shí)序預(yù)測(cè)油壓、套壓的最佳模型分別是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF）粒子群優(yōu)化算法（PSO）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

2）召51區(qū)塊應(yīng)用優(yōu)選后的RBF、PSO-BP模型可向前預(yù)測(cè) 48h ，綜合評(píng)價(jià)性能較差的RF模型可向前預(yù)測(cè)8h，優(yōu)選后的模型泛化能力提升5倍。

3）本文主要基于短周期時(shí)序數(shù)據(jù)開(kāi)展模型研究，未來(lái)可繼續(xù)探索在長(zhǎng)周期時(shí)序數(shù)據(jù)、多源數(shù)據(jù)條件下模型的性能表現(xiàn)，進(jìn)一步提高油套壓預(yù)測(cè)精度。

參考文獻(xiàn)：

[1]吳正，江乾鋒，周游，等.鄂爾多斯盆地蘇里格致密砂巖氣田提高采收率關(guān)鍵技術(shù)及攻關(guān)方向[J].天然氣工業(yè)，2023，43（6）：66-75.

[2]梁宏濤，劉碩，杜軍威，等.深度學(xué)習(xí)應(yīng)用于時(shí)序預(yù)測(cè)研究綜述[J].計(jì)算機(jī)科學(xué)與探索，2023，17（6）：1285-1300.

[3]趙婷婷，韓雅杰，楊夢(mèng)楠，等.基于機(jī)器學(xué)習(xí)的時(shí)序數(shù)據(jù)預(yù)測(cè)方法研究綜述[J].天津科技大學(xué)學(xué)報(bào)，2021，36（5）：1-9.

[4]龐蘭蘇，王楊，蔣薇，等.基于機(jī)器學(xué)習(xí)的短生產(chǎn)周期碳酸鹽巖氣井產(chǎn)量預(yù)測(cè)研究[J].特種油氣藏，2023，30（2）：134-141.

[5]董維強(qiáng)，孟召平，沈振，等.基于循環(huán)神經(jīng)網(wǎng)絡(luò)的煤層氣井產(chǎn)氣量預(yù)測(cè)方法研究[J].煤炭科學(xué)技術(shù)，2021，49（9）：176-183.