基于时间序列相似性与机器学习方法的页岩气井产量预测

• Published in: 中国石油大学学报（自然科学版） Vol. 48; no. 3; pp. 119 - 126
• Main Authors: 樊冬艳, 杨灿, 孙海, 姚军, 张磊, 付帅师, 罗飞
• Format: Journal Article
• Language: Chinese
• Published: 中国石油大学(华东)石油工程学院,山东青岛 266580%深层油气全国重点实验室(中国石油大学(华东)),山东青岛 266580 01.06.2024; 深层油气全国重点实验室(中国石油大学(华东)),山东青岛 266580
• Subjects: 时间序列; 页岩气井; productivity prediction; 机器学习; similarity; 产量预测; time series; 相似性; shale gas well; machine learning
• ISSN: 1673-5005
• DOI: 10.3969/j.issn.1673-5005.2024.03.013

TE312; 页岩气井单变量产量预测存在较强的不确定性,而现场生产动态数据同时包括多个相关指标,针对如何选取合理的多变量数据对页岩气井产量进行预测,在保证计算效率的情况下提高预测精度.页岩气井的生产动态数据集包括日产气量、日产水量、套压、油压、油嘴直径、开井时间和温度等,采用欧式距离和动态时间弯曲距离对生产动态数据时间序列进行相似性度量,依据与日产气量的相关度,把数据分为强相关时间序列和弱相关时间序列;其次,基于卷积神经网络、循环神经网络、长短期记忆网络和门控神经网络分别对全时间序列、强相关序列、弱相关序列和单变量序列进行页岩气井产量预测;最后,以平均绝对误差、均方根误差和决定系数作为评价指标,得到不同序列的误差由小到大排序为强相关序列、全时间序列、弱相关序列、单变量序列,优选的机器学习方法为门控神经网络和长短期记忆网络.结果表明,采用机器学习方法结合页岩气井强相关性序列(日产气量、套压、油压、日产水量)能有效降低预测误差,提高页岩气井产量预测效果.