石油产量预测文献调研2

本帖详情请参考产量预测建模 4: 粒计算的角度
可以把产量预测问题按不同粒度建模。一是按照时长，大致将文献分为了长期、中期、短期预测。二是按照区域，大致划分了油田、井组、单井产量预测。

2.按区域划分

2.1 油田

[1]李留仁,焦李成.基于人工神经网络的油田产量多因素非线性时变预测[J].西安石油学院学报(自然科学版),2002(04):42-44+3.
影响油田油产量的因素大体分为地质因素和人为因素两大类。地质因素,从某种程度上说是不可改变的或者说改变是微小的。而人为因素的变化范围却要宽得多,从开采方式、井网、井距、注采强度、打调整(加密)井、老井的关停报废或转注转采等,到各项人工措施(包括压裂、酸化、补孔调层、改电泵、水力泵、大修等),每一项人为因素的改变都会影响到油田油产量的变化。因此,预测油田油产量的方法也都是基于地质因素、人为因素或者是二者的结合。
数据来源：某油田自1988年元月到2000年11月每月的实际生产数据
输入：生产时间（月）、油田月油井新井开井数（口）、月注水井开井数（口）、月注水量（10^4 m³ ）、月油井老井开井数（口）、油井老井本月压裂有效井次、油井老井酸化本月有效井次、油井老井补孔改层本月有效井次、油井老井转抽本月有效井次、油井老井换大泵本月有效井次、油井老井电泵本月有效井次、油井老井卡堵水本月有效井次、油井老井大修本月有效井次、油井老井其他措施本月有效井次。
输出：油田月产油量（10^4 t ）

[2]NEGASH Berihun Mamo,YAW Atta Dennis.基于人工神经网络的注水开发油藏产量预测[J].石油勘探与开发,2020,47(02):357-365.
模型：人工神经网络
特征提取方法：基于流体物理学和测量数据随机组合的特征提取方法
模型训练算法：贝叶斯正则化
数据来源：马来盆地某个真实油藏 14 年的生产数据
输入：油管头压力（生产井），油管头温度（生产井)，气举量（生产井)，套管压力(生产井)，生产管汇压力，注水量，注水管汇压力，注水压力
输出：注水开发油藏的产油量、产气量和产水量
时间粒度：日

[3]Alaa Sagheer,Mostafa Kotb. Time Series Forecasting of Petroleum Production using Deep LSTM Recurrent Networks[J]. Neurocomputing,2018,323.
方法：基于深度LSTM递归网络的石油产量时间序列预测
在提出的DLSTM中，我们能够堆叠几个LSTM块，如下图所示，一个接一个地以深度递归网络方式连接，以结合单个LSTM层的优势。在这样的分层体系结构中堆叠多个LSTM的目标是在较低层构建特征，这将解开输入数据中的变化因素，然后在较高层组合这些表示。在大数据或复杂数据的情况下，证明了这种深度体系结构由于比浅体系结构更紧凑的表示而将更好地推广。

这种堆叠架构的好处是，每一层都可以处理所需任务的某一部分，并随后将其传递给下一层，直到最后一个累积层提供输出。另一个好处是，这样的架构允许每个级别的隐藏状态在不同的时间尺度上运行。最后两个好处对显示长期依赖数据使用的场景或处理多变量时间序列数据集有很大影响。
该模型的实现实验包括两种不同的场景，即静态场景和动态场景。在静态场景中，我们用所有的训练数据拟合预测模型，然后用测试数据一次预测一个新的时间步长。在动态场景中，我们通过插入来自测试数据的新观测值来更新预测模型。换句话说，动态方案使用因变量先前预测值的值来计算下一个因变量，而静态预测使用每个后续预测的实际值。
数据来源：两个实际油田的原始生产数据
案例1：利用华北油田1区生产数据的227个数据集
案例2：利用印度坎贝盆地油田的生产数据，即2004年到2009年六年(即大约63个月)收集的实际生产数据
输入：累积采油数据
输出：月产油量

2.2 井组

[4]张瑞,贾虎.基于多变量时间序列及向量自回归机器学习模型的水驱油藏产量预测方法[J].石油勘探与开发,2021,48(01):175-184.
井数众多的大型油田往往生产历史较长，井史比较复杂，并且不同井组的流场在不同时刻差异极大，因此有必要建立可对复杂多过程时间序列进行精确预测的模型，以准确表征井组内采出井产油量与注入井注水量之间的关系。
方法：基于多变量时间序列（MTS）及向量自回归（VAR）机器学习模型的水驱油藏产量预测方法。MTS及VAR机器学习模型框架图如下图所示。
多变量时间序列分析：水驱油藏历史生产数据中就存在时间序列观测数据，如采出井产油量，并且过去的产油量数据包含了未来产油量的变化信息，因此可以利用产油量历史数据去预测采出井未来产油量。对于水驱油藏注采井流量而言，可以将不同采出井产油量与注入井注水量作为多变量时间序列，并利用 Pearson 相关系数进行相关性分析。
向量自回归模型：注采井间流量的 VAR 模型并不以油藏工程理论为基础，而是基于注采井流量数据的统计性质来建立。
数据来源：大港油田某区块的断块油藏断裂主控区域内 105 口采出井和 66 口注入井

输入：采出井产油量及注入井注水量时间序列，171 组数据，每组数据共 573 个时间样点（根据月度日产油量与日注水量数据标签以及时间索引获取）
输出：采出井日产油量

2.3 单井

[5]杨元明,李治平,赖枫鹏,黄甫.油井增产措施效果预测方法研究[J].科学技术与工程,2013,13(20):5928-5930.
建立能够综合考虑不同因素对措施效果的影响且适用于不同地层条件、不同措施类型的预测模型。采用经验类比法与 神经网络法建立了措施效果的预测模型。
数据来源：长庆油田某中孔低渗储层区块自投产以来实施压裂措施的 64 井次，从中选出具有代表性的 30 个措施井次作为措施样本(20个作为训练样本，10个作为测试样本)
经验类比法：
(1) 通过对历史措施效果的评价分析，筛选一批典型性较好的措施井作为预测样本。
(2) 从油藏地质、开发工艺等角度分析不同影响因素与措施效果的相关性，确定不同因素的影响权重，建立措施效果预测样本库。
(3) 将待预测措施井与措施样本进行类比，求取相似度，找到属性比较接近的措施样本，用该类样本的措施后产量变化规律类比推理措施潜力井实施后的产量变化规律。
神经网络法：
输入：（初始）产油量、含水率、气油比、原油密度、有效厚度、渗透率、地层压力、井口压力、压裂液用量
输出：措施效果（压裂效果），即措施后的产量递减规律；进而计算措施累积增油量
时间粒度：月