祝啟康，林伯韜，楊光，王俐佳，陳滿

（1. 中國石油大學(xué)（北京）人工智能學(xué)院，北京 102249；2. 中國石油大學(xué)（北京）安全與海洋工程學(xué)院，北京 102249；3. 中國石油大學(xué)（北京）信息科學(xué)與工程學(xué)院，北京 102249；4. 四川頁巖氣勘探開發(fā)有限責(zé)任公司，四川內(nèi)江 641100；5. 中國石油西南油氣田公司四川長寧天然氣開發(fā)有限責(zé)任公司，四川長寧 644000）

0 引言

單井產(chǎn)量預(yù)測是評價氣井生產(chǎn)狀況、編制開發(fā)方案的重要參考依據(jù)，是實現(xiàn)氣井智能化生產(chǎn)的關(guān)鍵。目前預(yù)測氣井產(chǎn)量的方法有數(shù)學(xué)建模和人工智能算法。常用的數(shù)學(xué)建模方法包括數(shù)值模擬、解析解分析和遞減曲線分析。數(shù)值模擬方法評價頁巖氣藏產(chǎn)量準(zhǔn)確性較高，但建立模型需要大量的地質(zhì)資料[1-5]。解析解分析基于頁巖氣的吸附解吸和擴(kuò)散規(guī)律建立產(chǎn)量模型，理論求解過程復(fù)雜，且建模一般需要試井?dāng)?shù)據(jù)[6-8]。遞減曲線分析基于生產(chǎn)井的產(chǎn)量歷史數(shù)據(jù)進(jìn)行產(chǎn)量預(yù)測及可采儲量估算，主要方法有Arps遞減、冪指數(shù)遞減、擴(kuò)展指數(shù)遞減和 Duong遞減[9-11]，這種方法適合預(yù)測長期產(chǎn)量變化，對日產(chǎn)量預(yù)測精度低。

隨著機(jī)器學(xué)習(xí)理論與技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)模型開始廣泛應(yīng)用于石油工程領(lǐng)域。吳新根等[12]引入前饋神經(jīng)網(wǎng)絡(luò)（BP）預(yù)測油田產(chǎn)量效果良好。Calvette等[13]討論了長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）模型預(yù)測油氣產(chǎn)量相比油藏數(shù)值模擬的優(yōu)勢。Wang等[14]使用集成方法、線性回歸、支持向量機(jī)、回歸樹、高斯過程回歸、LSTM等5種模型預(yù)測油井產(chǎn)量，發(fā)現(xiàn)LSTM模型的預(yù)測結(jié)果最準(zhǔn)確。Lee等[15]使用 LSTM模型預(yù)測加拿大Alberta地區(qū)頁巖氣井的月產(chǎn)量，論證了LSTM相比遞減曲線分析的優(yōu)勢。由于LSTM模型具有產(chǎn)量預(yù)測精度高、所需數(shù)據(jù)量小的優(yōu)點，更加適用于非常規(guī)油氣產(chǎn)量預(yù)測，因而被廣泛應(yīng)用于生產(chǎn)現(xiàn)場的快速分析。學(xué)者們對LSTM模型不斷進(jìn)行優(yōu)化，如Kocoglu等[16]使用基于貝葉斯優(yōu)化的 Bi-LSTM 模型預(yù)測水平井產(chǎn)量，預(yù)測精度比LSTM模型有所提高。Zhan等[17]用集成學(xué)習(xí)方法組合了兩種特性不同的LSTM模型，極大地提高了模型預(yù)測的準(zhǔn)確性。Song等[18]提出基于粒子群優(yōu)化的LSTM模型預(yù)測新疆油田日產(chǎn)油量，選取油嘴尺寸與產(chǎn)量為特征量，預(yù)測準(zhǔn)確性較高。邱凱旋[19]選取油管壓力、套管壓力、儲集層溫度等7個特征量，采用LSTM模型對鄂爾多斯盆地連續(xù)生產(chǎn)1～4年的氣井生產(chǎn)數(shù)據(jù)進(jìn)行建模預(yù)測，預(yù)測結(jié)果精度較高。

四川南部地區(qū)部分頁巖氣井在生產(chǎn)中后期出現(xiàn)地層壓力低、井筒積液、氣井排酸等問題，需要定期關(guān)井恢復(fù)地層壓力或者進(jìn)行排水修井作業(yè)，穩(wěn)產(chǎn)時間短、生產(chǎn)數(shù)據(jù)連續(xù)性差，建立LSTM產(chǎn)量預(yù)測模型需要針對性優(yōu)化。此外，當(dāng)前川南地區(qū)低產(chǎn)頁巖氣井生產(chǎn)還存在 3個突出問題：①氣井生產(chǎn)中后期，井內(nèi)積液、地層壓力衰減快等問題使單井日產(chǎn)量變化幅度大，產(chǎn)量波動難以把握，導(dǎo)致工程師對生產(chǎn)過程中出現(xiàn)的井口壓力突然降低、產(chǎn)量低于攜液流量等問題預(yù)料不足，錯失生產(chǎn)工藝介入的最佳時機(jī)。②由于井內(nèi)壓力不足，依靠經(jīng)驗設(shè)計間開方案、采取定時或定壓自動間開的生產(chǎn)方式難以準(zhǔn)確把握氣井產(chǎn)量恢復(fù)時間。③生產(chǎn)過程中壓降難以控制，地層壓降過快會導(dǎo)致裂縫中支撐劑失效，降低儲集層滲流能力，影響氣井產(chǎn)能。

針對上述問題，本文提出一種適用于低壓低產(chǎn)頁巖氣井的智能生產(chǎn)優(yōu)化方法，由LSTM產(chǎn)量預(yù)測模型、積液預(yù)警和間歇控制等子程序和可調(diào)式油嘴、數(shù)控關(guān)井閥門等硬件組成。通過單井產(chǎn)量預(yù)測和可調(diào)式油嘴精確控壓，實現(xiàn)維持頁巖氣井增產(chǎn)穩(wěn)產(chǎn)以及對常見異常工況的預(yù)警功能，提供針對低壓低產(chǎn)頁巖氣井生產(chǎn)過程的解決方案。

1 氣井智能生產(chǎn)優(yōu)化的系統(tǒng)架構(gòu)

油氣田智能化生產(chǎn)是未來石油工業(yè)的發(fā)展趨勢之一。經(jīng)過信息化建設(shè)的井場可以在現(xiàn)有氣井生產(chǎn)系統(tǒng)的基礎(chǔ)上進(jìn)行優(yōu)化，添加分析預(yù)測、控壓調(diào)產(chǎn)、自動間開、積液預(yù)警等自動生產(chǎn)與輔助決策功能，實現(xiàn)“一井一策”的生產(chǎn)管理模式，提升油氣田的自動化與智能化水平。實現(xiàn)智能化生產(chǎn)的關(guān)鍵在于對氣井生產(chǎn)狀況的提前預(yù)判和存在問題的實時反饋，準(zhǔn)確預(yù)測產(chǎn)量是智能化生產(chǎn)的核心工作。通過預(yù)測氣井產(chǎn)量確定單井合理生產(chǎn)方案，控制氣井壓降速率，保障油氣藏增產(chǎn)穩(wěn)產(chǎn)，也是頁巖氣田后期生產(chǎn)管理的基礎(chǔ)工作。

氣井生產(chǎn)優(yōu)化的系統(tǒng)架構(gòu)主要由硬件層、控制層、算法層和應(yīng)用層組成，分層實現(xiàn)不同功能，每一層都向上層提供服務(wù)，向下層下達(dá)指令（見圖1）。每層內(nèi)含多個模塊以實現(xiàn)具體功能，同層模塊間可互相交換數(shù)據(jù)。硬件層負(fù)責(zé)收集并向上層傳遞生產(chǎn)數(shù)據(jù)，接收控制信號執(zhí)行對應(yīng)硬件動作?？刂茖幼鳛橹薪閷?，將上層命令解釋為控制信號發(fā)往硬件層。算法層將傳入的生產(chǎn)數(shù)據(jù)進(jìn)一步加工處理后向上層傳遞，向下層發(fā)出調(diào)產(chǎn)、調(diào)壓等任務(wù)指令。應(yīng)用層直接與工程師交互，負(fù)責(zé)展示生產(chǎn)信息、監(jiān)測預(yù)警生產(chǎn)狀態(tài)，向下層傳遞工程師的指令。在該架構(gòu)下，向各層分別添加對應(yīng)的功能模塊即可拓展氣井生產(chǎn)系統(tǒng)的功能，實現(xiàn)對頁巖氣井的生產(chǎn)優(yōu)化。

2 智能生產(chǎn)優(yōu)化方法

2.1 智能生產(chǎn)優(yōu)化流程

利用 LSTM 算法建立頁巖氣井智能生產(chǎn)優(yōu)化方法，由圖1中各個模塊配合完成，工作步驟包括：①由設(shè)置在氣井中的傳感器采集氣井生產(chǎn)數(shù)據(jù)。②采用研究區(qū)氣井的生產(chǎn)歷史數(shù)據(jù)對產(chǎn)量預(yù)測模型進(jìn)行訓(xùn)練，得到包含氣井生產(chǎn)特征的模型。③由運(yùn)行在井場計算機(jī)上的產(chǎn)量預(yù)測模型實時接收氣井生產(chǎn)數(shù)據(jù)，預(yù)測氣井未來產(chǎn)量變化。④工程師參考預(yù)測數(shù)據(jù)制定生產(chǎn)計劃，配置各項參數(shù)。⑤根據(jù)未來產(chǎn)量變化，及時提醒工程師可能發(fā)生的積液等風(fēng)險。⑥通過可調(diào)式油嘴控制氣井壓降速率，并在未來預(yù)期產(chǎn)量不足時控制關(guān)井閥門自動間歇生產(chǎn)。⑦監(jiān)測可調(diào)式油嘴附近是否有水合物形成。⑧使用新的生產(chǎn)數(shù)據(jù)更新產(chǎn)量預(yù)測模型。

2.2 LSTM神經(jīng)網(wǎng)絡(luò)原理

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一類以序列數(shù)據(jù)為輸入，在序列的演進(jìn)方向進(jìn)行遞歸且所有節(jié)點按鏈?zhǔn)竭B接的遞歸神經(jīng)網(wǎng)絡(luò)[3]。RNN的結(jié)構(gòu)決定了它適用于時序預(yù)測問題，其內(nèi)部結(jié)構(gòu)可以提取歷史數(shù)據(jù)的特征信息，用于對未來數(shù)據(jù)的預(yù)測。但RNN無法處理數(shù)據(jù)的長期依賴問題。長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）是RNN的一種變體，LSTM 通過加入門結(jié)構(gòu)和記憶單元狀態(tài)，使其對數(shù)據(jù)中的短期和長期信息均能較好利用，提升了算法的預(yù)測能力。模型使用LSTM發(fā)掘頁巖氣井歷史生產(chǎn)數(shù)據(jù)與未來產(chǎn)量的關(guān)系。由于長寧區(qū)塊頁巖氣井生產(chǎn)數(shù)據(jù)連續(xù)性較差，直接作訓(xùn)練集精度不佳，本文通過數(shù)據(jù)清洗和特征值添加的方式降低這種影響。

2.3 產(chǎn)量預(yù)測模型設(shè)計

通過對模型特征量的選擇、數(shù)據(jù)集的制作、網(wǎng)格搜索優(yōu)化調(diào)參等方法，訓(xùn)練出綜合表現(xiàn)最好的 LSTM產(chǎn)量預(yù)測模型。

2.3.1 研究區(qū)概況

四川長寧區(qū)塊位于揚(yáng)子板塊西緣四川盆地川南低陡斷折帶與婁山褶皺帶結(jié)合部位[20]，主力儲集層以五峰組—龍馬溪組頁巖為主，為富含有機(jī)質(zhì)的黑色泥頁巖[21]。儲集層埋深2 000～4 000 m，優(yōu)質(zhì)儲集層厚度30～50 m，屬于典型的頁巖氣[20,22]。

長寧頁巖氣采氣模式與北美相似，投產(chǎn)前期為獲取較高的初期日產(chǎn)氣量，多采用套管直接放噴的生產(chǎn)方式，導(dǎo)致地層能量迅速衰減，井筒積液提前出現(xiàn)[23]。在生產(chǎn)的中后期，部分平臺氣井出現(xiàn)積液、地層能量不足等問題，產(chǎn)量降低，有柱塞排水或間歇關(guān)井的需求。通過觀察頁巖氣井在經(jīng)歷不同關(guān)井時間后開井第1天的產(chǎn)量變化發(fā)現(xiàn)，當(dāng)關(guān)井時間在數(shù)小時至數(shù)十小時時，氣井產(chǎn)量基本不受影響，可認(rèn)為產(chǎn)量的時間連續(xù)性正常。關(guān)井時間超過數(shù)天，一般油壓、套壓等會發(fā)生明顯變化，影響后續(xù)產(chǎn)量。

2.3.2 數(shù)據(jù)預(yù)處理

訓(xùn)練數(shù)據(jù)來自長寧區(qū)塊頁巖氣井。為避免地質(zhì)因素和鉆完井工藝對氣井產(chǎn)量的影響，選擇同區(qū)塊差異較小的16口氣井?？紤]到油田生產(chǎn)數(shù)據(jù)常用時間單位，模型將訓(xùn)練數(shù)據(jù)步長設(shè)置為1 d。以1 d生產(chǎn)數(shù)據(jù)為1組，共10 000組數(shù)據(jù)。對生產(chǎn)數(shù)據(jù)使用Spearman相關(guān)系數(shù)進(jìn)行關(guān)聯(lián)性分析（見表1）。原始生產(chǎn)數(shù)據(jù)包括井口套管壓力、井口油管壓力、輸氣壓力、產(chǎn)水量、產(chǎn)氣量、水氣比等 6個特征量，由于輸氣壓力與產(chǎn)氣量相關(guān)性較低，分析后選取除輸氣壓力外的 5個特征量作為模型輸入變量的一部分。

表1 Spearman相關(guān)系數(shù)分析結(jié)果

由于長寧區(qū)塊氣井生產(chǎn)數(shù)據(jù)的時間連續(xù)性較差，為提高模型預(yù)測精度，使模型適用于低產(chǎn)頁巖氣井的生產(chǎn)方式，引入變量“關(guān)井時間”，以井口套管壓力、井口油管壓力、產(chǎn)水量、產(chǎn)氣量、水氣比、關(guān)井時間6個特征量作為LSTM產(chǎn)量預(yù)測模型的輸入。對“關(guān)井時間”的定義是，若氣井在當(dāng)日以后連續(xù)關(guān)井n天，則將當(dāng)日對應(yīng)的“關(guān)井時間”設(shè)為n，若正常生產(chǎn)則當(dāng)日對應(yīng)的“關(guān)井時間”為0。引入“關(guān)井時間”變量既可以消除因長時間關(guān)井導(dǎo)致的產(chǎn)量波動變化，又可以通過模型提前預(yù)測開井后的氣井產(chǎn)量。加入“關(guān)井時間”變量后，即可刪除日產(chǎn)量為 0的數(shù)據(jù)。為避免生產(chǎn)數(shù)據(jù)不連續(xù)影響精度，選取氣井連續(xù)生產(chǎn)200 d以上的生產(chǎn)數(shù)據(jù)組成訓(xùn)練集。對于因為傳感器失靈導(dǎo)致數(shù)據(jù)集中出現(xiàn)空缺數(shù)據(jù)的情況，若空缺 1個數(shù)據(jù)，采用平均值法填充；若空缺數(shù)據(jù)較多且連續(xù)或集中于開關(guān)井時間附近，則直接放棄該段數(shù)據(jù)。

在開始訓(xùn)練之前，采用最大最小歸一化方法對訓(xùn)練數(shù)據(jù)歸一化，把輸入值控制在0～1以提高模型訓(xùn)練效果。

2.3.3 網(wǎng)格搜索優(yōu)化

模型使用網(wǎng)格搜索法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)。選擇與模型精度相關(guān)的LSTM層數(shù)、全連接網(wǎng)絡(luò)層數(shù)、LSTM 神經(jīng)元數(shù)量、丟棄神經(jīng)元概率、遍歷次數(shù)、批尺寸、學(xué)習(xí)率、優(yōu)化器等 8個超參數(shù)，繪制學(xué)習(xí)曲線調(diào)參。將超參數(shù)的取值范圍劃為合理的數(shù)等份，嘗試各超參數(shù)的取值組合，以均方誤差的大小比較模型優(yōu)劣，最優(yōu)超參數(shù)組合見表2。訓(xùn)練時發(fā)現(xiàn)當(dāng)模型的LSTM層數(shù)超過 2層時，再繼續(xù)增加模型層數(shù)對模型精度提升十分有限，但會導(dǎo)致模型的訓(xùn)練消耗更多計算資源，因此2個LSTM層為最優(yōu)選擇。

表2 以模型C為例的最優(yōu)超參數(shù)組合

2.4 LSTM神經(jīng)網(wǎng)絡(luò)變體預(yù)測能力對比

在 Wang等[14]的研究成果基礎(chǔ)上對比循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）、門循環(huán)單元（GRU）等3種時序預(yù)測算法的優(yōu)劣。GRU是基于LSTM的改進(jìn)算法，它將LSTM中的遺忘門和輸入門合并成更新門，同時合并了數(shù)據(jù)單元狀態(tài)和隱藏狀態(tài)，模型結(jié)構(gòu)相較 LSTM更為簡單。3種時序預(yù)測算法對頁巖氣井日產(chǎn)量預(yù)測能力對比顯示，RNN表現(xiàn)最差，GRU的表現(xiàn)與LSTM接近（見表3）?？紤]到GRU的結(jié)構(gòu)比LSTM更簡單，收斂速度更快，將GRU作為產(chǎn)量預(yù)測模型的備選算法，兩者訓(xùn)練過程基本相同。

表3 3種時序預(yù)測算法對頁巖氣井日產(chǎn)量預(yù)測能力對比

2.5 不同預(yù)測時長的LSTM模型對比

隨機(jī)選取4口頁巖氣井共計2 400組數(shù)據(jù)組成測試集。建立基于30 d數(shù)據(jù)預(yù)測1 d產(chǎn)量（A模型）、基于30 d數(shù)據(jù)預(yù)測5 d產(chǎn)量（B模型）、基于30 d數(shù)據(jù)預(yù)測10 d產(chǎn)量（C模型）3個模型，通過決定系數(shù)比較3種模型對未來1～10 d產(chǎn)量預(yù)測表現(xiàn)（見表4）。同一模型的決定系數(shù)隨預(yù)測時間增加呈減小趨勢。在預(yù)測未來1 d時，3種模型的決定系數(shù)近似。在預(yù)測未來1～5 d時，B、C模型的決定系數(shù)近似。表明預(yù)測時間越長，模型的預(yù)測精確度越低；預(yù)測同一天時，3種模型的準(zhǔn)確度近似，但總體表現(xiàn)A模型最好、B模型中等、C模型最差。

表4 3種模型預(yù)測未來1～10 d產(chǎn)量的決定系數(shù)對比

3個不同預(yù)測時長 LSTM模型在測試集上的表現(xiàn)顯示（見圖2），A模型預(yù)測產(chǎn)量變化幅度最為準(zhǔn)確，B模型其次，C模型僅能預(yù)測產(chǎn)量變化趨勢。說明隨預(yù)測時間延長，模型整體的預(yù)測精度會降低。在產(chǎn)量大幅波動或頻繁關(guān)井的時間段（見圖2a、圖2c），3個模型擬合效果均較差，說明氣井積液或頻繁關(guān)井會降低模型的預(yù)測精度。綜上所述，在設(shè)計產(chǎn)量預(yù)測模型時應(yīng)結(jié)合A、B、C模型，在預(yù)測1～5 d產(chǎn)量時參考A、B模型的預(yù)測結(jié)果，預(yù)測5～10 d產(chǎn)量時參考C模型。

圖2 3個不同預(yù)測時長LSTM模型在測試集上的表現(xiàn)

2.6 “關(guān)井時間”變量對 LSTM產(chǎn)量預(yù)測模型精度的影響

為驗證加入“關(guān)井時間”變量對模型預(yù)測精度的影響，選取氣井關(guān)井前后生產(chǎn)數(shù)據(jù)片段10份，分別測試加入和未加入“關(guān)井時間”的模型對開井當(dāng)日產(chǎn)量的預(yù)測能力，結(jié)果均顯示加入該變量后模型預(yù)測精度得到提升（見圖3）。

圖3 關(guān)井時間變量對LSTM產(chǎn)量預(yù)測模型精度的影響

2.7 積液預(yù)警、間歇生產(chǎn)和油嘴控壓模塊設(shè)計

根據(jù)Turner臨界攜液流量模型[24]計算發(fā)生積液時的臨界流量。當(dāng)預(yù)測產(chǎn)量低于臨界攜液流量時，結(jié)合油管和套管壓差變化[25]，可判斷積液并及時預(yù)警。

對頁巖氣井的間歇生產(chǎn)，由于產(chǎn)量受多因素影響，生產(chǎn)狀態(tài)不穩(wěn)定，無規(guī)則可循。以定時或定壓的方式?jīng)Q定間歇期的方法具有很大隨機(jī)性。LSTM 模型的預(yù)測結(jié)果能反映未來10 d產(chǎn)量變化趨勢，通過模型預(yù)測值提前判斷氣井是否進(jìn)入間歇期，由程序?qū)崿F(xiàn)自動間歇，能提高間歇效果，避免氣井過度生產(chǎn)損傷地層。可調(diào)式油嘴能穩(wěn)定頁巖氣井的產(chǎn)量和壓力，提高產(chǎn)能。該方法適用于生產(chǎn)中晚期的頁巖氣井，在采氣時通過改變油嘴直徑以限制井內(nèi)壓降速率在一合理區(qū)間內(nèi)，避免地層壓力衰竭過快損傷儲集層。采用實時采集壓力數(shù)據(jù)、判斷壓力變化速率、調(diào)整油嘴大小、采集下階段壓力數(shù)據(jù) 4步循環(huán)控制井口壓降，維持氣井壓降在合理區(qū)間（見圖4）。①井口壓力傳感器每分鐘采集一次壓力數(shù)據(jù)，為避免生產(chǎn)波動影響壓力數(shù)據(jù)采集，取1 h內(nèi)壓力平均值，與上一小時的壓力平均值相減得到Δp。②生產(chǎn)初期，將逐級改變油嘴口徑的生產(chǎn)數(shù)據(jù)傳入遠(yuǎn)程監(jiān)控平臺，通過繪制流體流動指數(shù)與油嘴口徑的關(guān)系曲線，結(jié)合實時生產(chǎn)分析等工具，確定最合適生產(chǎn)的油嘴口徑，判斷合理降壓區(qū)間Δpmin～Δpmax，傳入計算控制部分執(zhí)行。③當(dāng)氣井壓降超出設(shè)定的合理壓降區(qū)間時，即 Δp＜Δpmin或 Δp＞Δpmax時，可調(diào)式油嘴判斷應(yīng)調(diào)大還是調(diào)小口徑，每次改變一個最小調(diào)節(jié)量（直徑變化0.2 mm）。通過不斷重復(fù)該步驟，使氣井壓降回歸至合理區(qū)間。④后臺采集數(shù)據(jù)監(jiān)測油嘴工作狀態(tài)，在必要時人為干預(yù)油嘴口徑變化，避免形成水合物堵塞油嘴、油嘴分壓過大等生產(chǎn)安全問題。

圖4 可調(diào)式油嘴控壓生產(chǎn)控制流程圖

3 現(xiàn)場應(yīng)用

3.1 試驗井選取

選取四川南部長寧區(qū)塊某平臺 2口井作為試驗井1和試驗井2。為驗證優(yōu)化效果，選擇同區(qū)塊2口井作為對照井1和對照井2，對照井僅采集生產(chǎn)數(shù)據(jù)。4口井均在投產(chǎn)初期參與試驗，其中試驗井 2與對照井 1的鉆完井、壓裂和生產(chǎn)情況近似，是理想的對照對象。試驗井在試驗期間控壓生產(chǎn)，生產(chǎn)情況穩(wěn)定，排水正常，井筒內(nèi)無積液或積液位置很低，放壓生產(chǎn)時井口壓力和日產(chǎn)氣量遞減較快，控壓后井口壓力保持較好。對照井 1放壓生產(chǎn)，產(chǎn)量波動頻繁，但無積液風(fēng)險。對照井 2放壓生產(chǎn)，產(chǎn)量多次突降后又恢復(fù)正常，進(jìn)入衰竭期后有一定積液風(fēng)險（見表5、圖5）。

表5 試驗井和對照井基本信息表

圖5 試驗井和對照井試驗期間日產(chǎn)氣量曲線（a）與累計產(chǎn)氣量曲線（b）

3.2 提產(chǎn)效果分析

利用RTA油氣藏遞減分析軟件繪制氣井產(chǎn)能曲線（見圖6），產(chǎn)能曲線的斜率可以直觀地反映氣井產(chǎn)能，斜率越小表示氣井產(chǎn)能越大。試驗井 2的斜率小于對照井1，表明通過控壓可使生產(chǎn)井保持較高的產(chǎn)能。最終可采儲量預(yù)測曲線（見圖7）顯示，試驗井2的最終可采儲量是對照井1的115.38%。說明智能生產(chǎn)優(yōu)化方法對氣井產(chǎn)能提升效果較好（見表6）。

圖6 氣井產(chǎn)能曲線

圖7 最終可采儲量預(yù)測曲線

表6 產(chǎn)能分析數(shù)據(jù)表

3.3 產(chǎn)量預(yù)測效果分析

預(yù)測產(chǎn)量與實際產(chǎn)量對比圖顯示（見圖8），模型預(yù)測產(chǎn)量變化趨勢整體準(zhǔn)確，多數(shù)預(yù)測值的誤差小于等于15%。但從試驗開始（第0天），試驗井的預(yù)測值較真實值整體偏低。為此，在第 250天使用試驗期間生產(chǎn)數(shù)據(jù)對模型進(jìn)行二次訓(xùn)練，之后預(yù)測偏差明顯減小，解決了模型在試驗井上預(yù)測值整體偏低的問題（見圖8a、圖8b）。分析認(rèn)為，其原因在于，加入可調(diào)式油嘴后，試驗井的生產(chǎn)特征發(fā)生改變，基于原有生產(chǎn)數(shù)據(jù)的LSTM模型未掌握這一特征，需要及時對模型進(jìn)行更新。對照井1整體預(yù)測結(jié)果較差（見圖8c）的原因為該井在試驗期間數(shù)次停產(chǎn)修井，人為干預(yù)降低了模型的預(yù)測精度，認(rèn)為可采用該井試驗期間生產(chǎn)數(shù)據(jù)對模型進(jìn)行二次訓(xùn)練以改善預(yù)測效果。

圖8 LSTM模型產(chǎn)量預(yù)測曲線

預(yù)警的準(zhǔn)確性與模型預(yù)測產(chǎn)量的精度相關(guān)。模型準(zhǔn)確預(yù)測的時間越長，預(yù)警越準(zhǔn)確。如對照井 2在第350天產(chǎn)量跌至0.5×104m3，本文模型提前預(yù)警產(chǎn)能不足并自動間歇（見圖8d）。

4 結(jié)論

基于LSTM神經(jīng)網(wǎng)絡(luò)的產(chǎn)量預(yù)測模型可準(zhǔn)確預(yù)測頁巖氣單井未來5 d產(chǎn)量變化，并可實現(xiàn)自動間歇和積液監(jiān)測功能，提升生產(chǎn)效率。通過可調(diào)式油嘴調(diào)整壓降速率，實現(xiàn)緩慢壓降，可保障穩(wěn)定生產(chǎn)，提高氣井的最終可采儲量。

針對不同氣井的生產(chǎn)特性，配置合理的單井壓降速率和間歇生產(chǎn)方案，實現(xiàn)“一井一策”的生產(chǎn)管理模式，可充分釋放單井生產(chǎn)潛力。現(xiàn)場試驗結(jié)果表明，應(yīng)用本文方法的氣井在多因素綜合作用下產(chǎn)能保持更好，單井最終可采儲量可提高15%。

本文提出的LSTM產(chǎn)量預(yù)測模型和基于模型的衍生功能適用于頁巖氣井生產(chǎn)全周期，該優(yōu)化方法以相對較低的成本較好地解決了頁巖氣井生產(chǎn)中導(dǎo)致減產(chǎn)的多項問題，從而實現(xiàn)頁巖氣生產(chǎn)降本增效的目的。

未來將繼續(xù)深入研究并完善頁巖氣井智能生產(chǎn)優(yōu)化方法，提高LSTM產(chǎn)量預(yù)測模型的預(yù)測精度和魯棒性，通過加入儲集層靜態(tài)參數(shù)提高模型的泛化能力。建立更為全面的多井綜合智能生產(chǎn)管理系統(tǒng)，集成自動采集與分析、油氣井設(shè)備安全生產(chǎn)監(jiān)測、井場產(chǎn)能預(yù)測與自動調(diào)產(chǎn)等功能，以進(jìn)一步提高油氣田開發(fā)的智能化水平。

符號注釋：

n——關(guān)井時間，d；Δp——井口壓力降幅，MPa；Δpmin——井口最小壓降，MPa；Δpmax——井口最大壓降，MPa。