蘇里格氣田召51區塊自動間開井油套壓AI時序預測研究

中圖分類號：TP311.1 文獻標志碼：A 文章編號：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區塊目前有20口氣井配備自動化間開設備，需進一步向智能化轉型，結合人工智能技術優化生產制度提高采收率。在召51區塊，技術人員通過氣井油套壓變化來判斷井筒積液與生產異常情況。但井多人少，常常判斷不及時，處理滯后，導致氣井異常情況惡化。通過AI時序預測油套壓未來變化，可預判異常情況，并提前向技術人員發出警報，為氣井提供“天氣預報”，減少氣井異常事件發生概率。時序預測通過挖掘時序數據內在規律，依據已知因素對未來進行類推與延展。基于機器學習的時序預測方法分為線性和非線性方法，線性方法包括指數平滑法、自回歸積分移動平均預測方法等，非線性方法包括神經網絡、支持向量機等3。目前，氣井AI時序預測主要用于分析產量變化并指導生產。基于GPM的產量預測模型可用于碳酸鹽巖氣井短周期產量預測。基于LSTM的產量預測模型可用于煤層氣井長周期產量預測。目前，AI模型應用于氣井時序預測油套壓的研究較缺乏。召51區塊生產制度優化主要依靠人工分析油套壓變化來決策與實施，存在滯后性，且措施執行率低。為此，聚焦于召51區塊自動間開井油套壓預測問題，系統研究和對比多種AI時序預測模型在本區塊特定場景下的應用效果，篩選出最優AI模型，提高預測準確性與穩定性，為氣井生產異常預警與優化提供技術支持。

1模型與方法

1.1 AI時序預測模型

選取常用的9種AI時序預測模型用于召51區塊自動間開井油套壓預測研究，即BP（BP神經網絡）、GA-BP（遺傳算法GA優化BP神經網絡）PSO-BP（粒子群優化算法PSO優化BP神經網絡）、RBF（徑向基函數神經網絡）ELM（極限學習機）、RF（隨機森林）、SVM（支持向量機）CNN（卷積神經網絡）LSTM（長短期記憶神經網絡）。9種AI模型的原理、結構等內容可在相關文獻中找到，本文不再贅述。

1.2 模型評價指標

為評估AI時序預測模型的性能，選取RMSE、 ?R² ，MAE、MBE、MAPE作為評價指標，計算公式分別如下

式中： n 表示樣本數量， y_i 表示實際值， 表示預測值，y 表示實際值的平均值。

RMSE反映預測數據的離散程度，MAE衡量預測值與真實值之間的平均距離，MAPE可在不同規模數據上評估模型的相對誤差，這3項指標值越小代表模型性能越好。MBE衡量模型是否存在系統性預測偏差，當MBE為零表示預測平衡，當MBE為正表示高估真實值，當MBE為負表示低估真實值。 R² 可評估擬合程度，取值范圍0＼～1，越接近1代表模型預測效果越好。

另外，本文綜合考慮上述5項指標定義出一個新的綜合評價指標ZH，ZH值越小代表模型的性能越好。ZH計算公式為

ZH=RMSE×0.2–R²×0.2+MAE×0.2

+|MAE|×0.1+MAPE×0.3

1.3 AI時序預測方法

首先，收集召51區塊的20口自動間開井X月1日0：00：00到20日23：50：00的井口油套壓歷史數據，數據點時間間隔為 10min 將數據按照7：3劃分為訓練集和測試集數據，訓練集用于學習訓練模型，測試集用于對訓練好的模型進行檢驗。延時步長取15（即取15個歷史數據作為自變量），跨1個時間點進行預測。

針對BP時序預測模型，逐一計算出20口自動間開井油壓訓練集與測試集2組數據的RMSE評價指標值，再對20口井的RMSE評價指標值求取平均值，以代表整個區塊的模型評價情況，然后將訓練集與測試集2組數據的RMSE評價指標平均值計算加權平均數，以代表包含訓練與測試的整個單井時序數據樣本的模型評價情況。其余的 R² MAE、MBE、MAPE這4項評價指標按照RMSE評價指標的方法完成計算。至此，完成了BP模型在召51區塊20口自動間開井的全部5項評價指標的計算。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項評價指標計算。接著，按照公式（6）計算5項評價指標的綜合評價指標ZH，通過對比綜合評價指標ZH大小優選出召51區塊自動間開井油壓AI時序預測的最佳模型。再應用最佳模型對氣井油壓向前預測未來的數據，預測的未來數據存在異常則發出預警，技術人員收到預警信號后進行超前分析，及時采取處理措施，避免氣井發生異常事件。至此，完成了召51區塊自動間開井AI時序預測油壓的整個流程。套壓的AI時序預測流程方法跟油壓一樣進行。

訓練集和測試集的模型輸入數據均來源于實際歷史數據，輸出數據作為預測結果。預測未來的數據時，除了模型第一組輸入數據來源于實際歷史末端15個數據外，其余數據均來源于預測的未來數據的逐次遞推組合。因此，預測未來的數據時，越往后預測，越脫離歷史實際數據的約束，置信度越低。

2 結果與分析

2.1 模型適用性分析與優選

本文優選AI模型主要是用于向未來預測，因此測試集比訓練集數據計算出的評價指標更有意義。為此，將油套壓訓練集和測試集數據計算出的評價指標分別乘以0.3、0.7權重系數，求取加權平均數代表整體評價指標，計算公式表示為

GT=XL×0.3+CS×0.7

式中： GT 表示整個訓練集和測試集數據的整體評價指標， XL 表示訓練集數據的評價指標， CS 表示測試集數據的評價指標。

將9種AI時序預測模型運用于召51區塊自動間開井歷史油套壓數據時，按前文AI時序預測方法計算出的RMSE、 ?R² MAE、MBE、MAPE這5項評價指標整體差異性不明顯，如圖1所示。這反映出9種模型均可在本區塊使用，但同時給通過對比5項評價指標差異優選出最佳模型帶來了困難。為此，需通過公式（6）計算綜合評價指標ZH并比較其值大小，明確最優模型。

召51區塊自動間開井AI時序預測油壓的模型種AI時序預測模型，對于召51區塊自動間開井而綜合評價指標ZH的最小值為-0.11956，AI時序預測 言，AI時序預測油壓的最優模型是RBF，AI時序預測套壓的最小值為-0.18701，詳見表1。因此，針對這9套壓的最優模型是PSO-BP。

2.2 預警應用與分析

將優選出的AI模型應用在Z30-9井上預測未來數據。首先，每隔 10min 采集X月1日—20日Z30-9井的歷史油套壓數據，基于RBF模型學習訓練油壓數據，基于PSO-BP模型學習訓練套壓數據。在訓練模型時，基本單元采取15個樣本點推測1個樣本點的方式進行時序預測。在對全部歷史數據學習訓練好AI時序預測模型后，以X月20日21：30至23：50的15個歷史末端數據為起始輸人，向后預測第16個時間點（即X月21日0：00）的未知數據，之后再以X月20日21：40到X月21日0：00這15個數據向后預測，以此類推，預測完X月21日0：00到X月22日23：

50這2天的未來數據（如圖2（a）所示）。

Z30-9井應用RBF模型預測油壓發現，X月20日以后再過2天到X月22日23：50關井油壓恢復不起來，預測的最大油壓復壓值為 4.68MPa ，遠低于歷史油壓復壓值 7.16MPa 。Z30-9井應用PSO-BP模型預測套壓發現，X月20日以后再過2天到X月22日23：50關井套壓可恢復起來，預測的最大套壓復壓值為 7.76MPa ，與歷史套壓復壓值 7.937MPa 相近。因此，Z30-9井油壓、套壓向未來預測后，于X月20日23：51向召51區塊技術人員發出預警信息：Z30-9井預測關井油壓無法恢復正常，建議優化生產制度縮短開井時間。技術人員收到預警信息后，對Z30-9井進行生產動態觀察與分析，確認需要改變生產制度，否則井底積液將進一步惡化，嚴重時甚至導致氣井停產，于是將Z30-9井原來的生產制度\"兩天開一次井，一次開井 10h^′′ ，優化為“兩天開一次井，一次開井5h^′ ，將開井時間縮短了一半。自動間開設備于X月22日23：00至X月23日4：00首次執行優化后的新生產制度，之后，油壓可恢復起來（復壓到 6.93MPa ），并且優化后氣井生產更加平穩（如圖2（b）所示）。優化前油套壓曲線相對紊亂，優化后油套壓曲線恢復正常且變化規律（圖2）。

優選出的RBF、PSO-BP模型向前預測2天可保持與實際數據的變化趨勢一致（圖2（b）），而本區塊綜合評價性能差的RF模型僅可向前預測油套壓 8h

3 結論與建議

1）通過計算和對比綜合評價指標，優選出蘇里格氣田召51區塊自動間開井AI時序預測油壓、套壓的最佳模型分別是徑向基函數神經網絡（RBF）粒子群優化算法（PSO）優化BP神經網絡

2）召51區塊應用優選后的RBF、PSO-BP模型可向前預測 48h ，綜合評價性能較差的RF模型可向前預測8h，優選后的模型泛化能力提升5倍。

3）本文主要基于短周期時序數據開展模型研究，未來可繼續探索在長周期時序數據、多源數據條件下模型的性能表現，進一步提高油套壓預測精度。

參考文獻：

[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鍵技術及攻關方向[J].天然氣工業，2023，43（6）：66-75.

[2]梁宏濤，劉碩，杜軍威，等.深度學習應用于時序預測研究綜述[J].計算機科學與探索，2023，17（6）：1285-1300.

[3]趙婷婷，韓雅杰，楊夢楠，等.基于機器學習的時序數據預測方法研究綜述[J].天津科技大學學報，2021，36（5）：1-9.

[4]龐蘭蘇，王楊，蔣薇，等.基于機器學習的短生產周期碳酸鹽巖氣井產量預測研究[J].特種油氣藏，2023，30（2）：134-141.

[5]董維強，孟召平，沈振，等.基于循環神經網絡的煤層氣井產氣量預測方法研究[J].煤炭科學技術，2021，49（9）：176-183.