基于序列分解重构与LSTM-DCA融合的致密油藏水平井产量预测方法

针对致密油藏水平井产量序列非线性、非平稳性强导致传统预测方法精度不足的问题，研究人员提出结合经验模态分解(EMD)、近似熵(ApEn)聚类与长短期记忆神经网络(LSTM)-递减曲线分析(DCA)的混合预测模型。该方法通过EMD分离自然递减趋势与人工扰动分量，LSTM预测重构的本征模态函数(IMF)序列，DCA拟合残余分量(RES)，较单一模型预测误差降低25%以上，为非常规油气开发提供兼具物理可解释性与高精度的智能预测方案。

　　

随着全球非常规油气资源开发加速，致密油藏已成为勘探研究热点。这类储层孔隙度低、渗透性差，压裂水平井投产后呈现"快速递减-缓慢衰减"的复杂生产动态。传统基于物理模型的预测方法难以捕捉强非线性特征，而纯数据驱动的机器学习又缺乏物理约束。中国石油大学（北京）Jinxin Cao团队在《Engineering Applications of Artificial Intelligence》发表研究，创新性地将信号处理技术与深度学习相结合，提出LSTM-DCA混合预测框架。

研究采用来自中国某致密油区块的886天水平井生产数据，通过三次样条插值处理缺失值。核心技术包括：1）经验模态分解(EMD)将产量序列拆解为多个本征模态函数(IMF)和残余分量(RES)；2）基于近似熵(ApEn)的K-means聚类重构IMF序列；3）长短期记忆神经网络(LSTM)预测重构序列，递减曲线分析(DCA)拟合RES分量。

【Production sequence decomposition】
通过EMD分解发现，当极值点数为1时提取的RES能准确反映储层能量衰减趋势，验证了该方法分离长期递减规律的有效性。分解获得的IMF1-IMF3分量分别对应人工干预引起的高频波动和中期生产调整信号。

【Findings and theoretical implications】
研究证实：1）EMD成功解耦了自然递减与人工扰动分量，IMF经ApEn聚类后计算效率提升40%；2）LSTM对重构序列的预测决定系数R²
达0.91，DCA对RES的拟合误差仅2.3%，混合模型较单一LSTM、BP神经网络、随机森林(RF)和卷积神经网络(CNN)平均误差降低25%-38%；3）物理约束的引入使模型具备可解释性，RES分量反映的递减规律与Arps方程理论相符。

结论表明，该研究首次将信号分解重构思想引入油气产量预测领域，构建的LSTM-DCA框架突破传统方法对非线性序列的处理瓶颈。通过分离物理驱动与数据驱动分量，既保留了机器学习的高精度优势，又满足工程决策对模型可解释性的要求。国家自然科学基金资助项目(52074318)成果为非常规油气田智能开发提供了新范式，其技术路线可推广至页岩气、煤层气等波动性强的非常规资源产量预测场景。