原文信息：拟合函数—神经网络协同的页岩气井产能预测模型/ Shale gas well productivity prediction model with fitted function-neural network cooperation
录用期刊：石油科学通报
原文DOI：https://doi.org/10.3969/j.issn.2096-1693.2022.03.034
作者列表：
胡晓东，涂志勇，罗英浩，周福建，李宇娇，刘健，易普康
中国石油大学(北京)人工智能学院/非常规油气科学技术研究院
摘要:页岩气生产受地质和生产中诸多因素影响，非线性特征强，传统基于机理的产能预测方法难以综合且准确表征多维度和多结构类型的产能影响因素，难以快速求解页岩气压裂后生产动态。针对这一问题，基于LSTM和DNN神经网络，提出了一种拟合函数—神经网络协同的页岩气井动态产能预测模型。基于现场真实日产气量数据，利用Arps产能曲线拟合模型对同区块的邻井产能数据进行特征筛选，以间接加入含产能递减规律的弱物理约束；基于实际工况下单日生产时间与产量的强相关性，于神经网络模型内部加入强物理约束，进而提高本文模型的产能时间序列预测精度和局部稳定性。基于本文模型，对我国某页岩气区块进行未来产能曲线预测，并对预测结果进行k折交叉验证。其中，分别讨论了神经网络模型参数、产能控制参数和时间步长等因素对于模型精度的影响。结果显示，本文模型具有较高的准确率。在邻井生产数据样本较少情况下，该模型仍可以通过用液强度等静态产能控制参数和目标井前期生产、压力曲线捕捉较多的生产特征。本文为老井压裂效果评价和新井生产参数优化具有一定指导意义。
一、基于LSTM+DNN的动态产能预测模型建立
基于LSTM，以前期日产气量、平均套管压力共同组成的二维时序数据与用液强度、加砂强度、总含气量、脆性矿物含量等静态产能控制参数作为产能模型输入，后期日产产能曲线作为输出，将Arps产能递减模型作为LSTM神经网络输入层的“弱物理约束”，实际工况下单日生产时间与产量的比例关系作为DNN神经网络输出层的“强物理约束”，最终建立融合物理约束的动态产能预测神经网络模型。
图1 LSTM产能预测模型结构
交叉验证结果显示，基于Sigmoid激活函数和Nadam梯度优化函数的动态产能预测模型的平均误差为2.0001，其中大部分井具有较好的预测效果。
图2动态产能预测模型预测结果
二、实例应用
选取某页岩储层50口页岩气井的现场压裂数据。采用代理模型进行产能预测，结果见图3。由图可知，模型能够有效捕捉产能曲线在时间维度和地质及工程维度上的非线性规律。可以一定程度上辅助页岩气井未来产能曲线预测。
图3 预测时间步长200的产能预测结果
