中圖分類號：TP311.1 文獻標(biāo)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(qū)塊目前有20口氣井配備自動化間開設(shè)備，需進一步向智能化轉(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)人員通過氣井油套壓變化來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，處理滯后，導(dǎo)致氣井異常情況惡化。通過AI時序預(yù)測油套壓未來變化，可預(yù)判異常情況，并提前向技術(shù)人員發(fā)出警報，為氣井提供“天氣預(yù)報”，減少氣井異常事件發(fā)生概率。時序預(yù)測通過挖掘時序數(shù)據(jù)內(nèi)在規(guī)律，依據(jù)已知因素對未來進行類推與延展。基于機器學(xué)習(xí)的時序預(yù)測方法分為線性和非線性方法，線性方法包括指數(shù)平滑法、自回歸積分移動平均預(yù)測方法等，非線性方法包括神經(jīng)網(wǎng)絡(luò)、支持向量機等3。目前，氣井AI時序預(yù)測主要用于分析產(chǎn)量變化并指導(dǎo)生產(chǎn)?；贕PM的產(chǎn)量預(yù)測模型可用于碳酸鹽巖氣井短周期產(chǎn)量預(yù)測。基于LSTM的產(chǎn)量預(yù)測模型可用于煤層氣井長周期產(chǎn)量預(yù)測。目前，AI模型應(yīng)用于氣井時序預(yù)測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決策與實施，存在滯后性，且措施執(zhí)行率低。為此，聚焦于召51區(qū)塊自動間開井油套壓預(yù)測問題，系統(tǒng)研究和對比多種AI時序預(yù)測模型在本區(qū)塊特定場景下的應(yīng)用效果，篩選出最優(yōu)AI模型，提高預(yù)測準(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時序預(yù)測模型

選取常用的9種AI時序預(yù)測模型用于召51區(qū)塊自動間開井油套壓預(yù)測研究，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）、RF（隨機森林）、SVM（支持向量機）CNN（卷積神經(jīng)網(wǎng)絡(luò)）LSTM（長短期記憶神經(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)文獻中找到，本文不再贅述。

1.2 模型評價指標(biāo)

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

式中： n 表示樣本數(shù)量， y_i 表示實際值， 表示預(yù)測值，y 表示實際值的平均值。

RMSE反映預(yù)測數(shù)據(jù)的離散程度，MAE衡量預(yù)測值與真實值之間的平均距離，MAPE可在不同規(guī)模數(shù)據(jù)上評估模型的相對誤差，這3項指標(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)測偏差，當(dāng)MBE為零表示預(yù)測平衡，當(dāng)MBE為正表示高估真實值，當(dāng)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(yù)測效果越好。

另外，本文綜合考慮上述5項指標(biāo)定義出一個新的綜合評價指標(biāo)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(yù)測方法

首先，收集召51區(qū)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(shù)據(jù)，數(shù)據(jù)點時間間隔為 10min 將數(shù)據(jù)按照7：3劃分為訓(xùn)練集和測試集數(shù)據(jù)，訓(xùn)練集用于學(xué)習(xí)訓(xùn)練模型，測試集用于對訓(xùn)練好的模型進行檢驗。延時步長取15（即取15個歷史數(shù)據(jù)作為自變量），跨1個時間點進行預(yù)測。

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

訓(xùn)練集和測試集的模型輸入數(shù)據(jù)均來源于實際歷史數(shù)據(jù)，輸出數(shù)據(jù)作為預(yù)測結(jié)果。預(yù)測未來的數(shù)據(jù)時，除了模型第一組輸入數(shù)據(jù)來源于實際歷史末端15個數(shù)據(jù)外，其余數(shù)據(jù)均來源于預(yù)測的未來數(shù)據(jù)的逐次遞推組合。因此，預(yù)測未來的數(shù)據(jù)時，越往后預(yù)測，越脫離歷史實際數(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預(yù)測，因此測試集比訓(xùn)練集數(shù)據(jù)計算出的評價指標(biāo)更有意義。為此，將油套壓訓(xùn)練集和測試集數(shù)據(jù)計算出的評價指標(biāo)分別乘以0.3、0.7權(quán)重系數(shù)，求取加權(quán)平均數(shù)代表整體評價指標(biāo)，計算公式表示為

GT=XL×0.3+CS×0.7

式中： GT 表示整個訓(xùn)練集和測試集數(shù)據(jù)的整體評價指標(biāo)， XL 表示訓(xùn)練集數(shù)據(jù)的評價指標(biāo)， CS 表示測試集數(shù)據(jù)的評價指標(biāo)。

將9種AI時序預(yù)測模型運用于召51區(qū)塊自動間開井歷史油套壓數(shù)據(jù)時，按前文AI時序預(yù)測方法計算出的RMSE、 ?R² MAE、MBE、MAPE這5項評價指標(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，但同時給通過對比5項評價指標(biāo)差異優(yōu)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(biāo)ZH并比較其值大小，明確最優(yōu)模型。

召51區(qū)塊自動間開井AI時序預(yù)測油壓的模型種AI時序預(yù)測模型，對于召51區(qū)塊自動間開井而綜合評價指標(biāo)ZH的最小值為-0.11956，AI時序預(yù)測 言，AI時序預(yù)測油壓的最優(yōu)模型是RBF，AI時序預(yù)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(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)測未來數(shù)據(jù)。首先，每隔 10min 采集X月1日—20日Z30-9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，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(yù)測。在對全部歷史數(shù)據(jù)學(xué)習(xí)訓(xùn)練好AI時序預(yù)測模型后，以X月20日21：30至23：50的15個歷史末端數(shù)據(jù)為起始輸人，向后預(yù)測第16個時間點（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個數(shù)據(jù)向后預(yù)測，以此類推，預(yù)測完X月21日0：00到X月22日23：

50這2天的未來數(shù)據(jù)（如圖2（a）所示）。

Z30-9井應(yīng)用RBF模型預(yù)測油壓發(fā)現(xiàn)，X月20日以后再過2天到X月22日23：50關(guān)井油壓恢復(fù)不起來，預(yù)測的最大油壓復(fù)壓值為 4.68MPa ，遠低于歷史油壓復(fù)壓值 7.16MPa 。Z30-9井應(yīng)用PSO-BP模型預(yù)測套壓發(fā)現(xiàn)，X月20日以后再過2天到X月22日23：50關(guān)井套壓可恢復(fù)起來，預(yù)測的最大套壓復(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、套壓向未來預(yù)測后，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)測關(guān)井油壓無法恢復(fù)正常，建議優(yōu)化生產(chǎn)制度縮短開井時間。技術(shù)人員收到預(yù)警信息后，對Z30-9井進行生產(chǎn)動態(tài)觀察與分析，確認(rèn)需要改變生產(chǎn)制度，否則井底積液將進一步惡化，嚴(yán)重時甚至導(dǎo)致氣井停產(chǎn)，于是將Z30-9井原來的生產(chǎn)制度\"兩天開一次井，一次開井 10h^′′ ，優(yōu)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(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（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2天可保持與實際數(shù)據(jù)的變化趨勢一致（圖2（b）），而本區(qū)塊綜合評價性能差的RF模型僅可向前預(yù)測油套壓 8h

3 結(jié)論與建議

1）通過計算和對比綜合評價指標(biāo)，優(yōu)選出蘇里格氣田召51區(qū)塊自動間開井AI時序預(yù)測油壓、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 48h ，綜合評價性能較差的RF模型可向前預(yù)測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序數(shù)據(jù)開展模型研究，未來可繼續(xù)探索在長周期時序數(shù)據(jù)、多源數(shù)據(jù)條件下模型的性能表現(xiàn)，進一步提高油套壓預(yù)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(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)用于時序預(yù)測研究綜述[J].計算機科學(xué)與探索，2023，17（6）：1285-1300.

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

[4]龐蘭蘇，王楊，蔣薇，等.基于機器學(xué)習(xí)的短生產(chǎn)周期碳酸鹽巖氣井產(chǎn)量預(yù)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(huán)神經(jīng)網(wǎng)絡(luò)的煤層氣井產(chǎn)氣量預(yù)測方法研究[J].煤炭科學(xué)技術(shù)，2021，49（9）：176-183.