基于无监督学习的页岩气储层产量预测创新框架(UPPF)研究与应用

本文提出了一种创新的无监督生产预测框架(UPPF)，通过整合主成分分析(PCA)、变分自编码器(VAE)和高斯混合模型(GMM)等无监督学习算法，成功利用未标记井数据实现了页岩气井产量预测。该框架在四川盆地240口井的实测数据中展现出优异性能，为油气工程决策优化提供了新思路。

　　

Highlight

本研究创新性地提出了无监督生产预测框架(UPPF)，通过融合多种无监督学习技术，成功突破了传统方法依赖标记数据的限制，为页岩气开发提供了全新的智能预测范式。

Principal component analysis (PCA)

主成分分析(PCA)是一种经典的多变量统计分析方法，通过将原始数据转换为正交的主成分，在保留最大信息量的同时实现降维。该方法能有效识别数据中的关键模式，特别适用于高维油气地质数据的特征提取。

Case study data

研究选取四川盆地威远区块的页岩气井作为案例，该区块具有典型的单斜构造特征，埋深2500-4000米，南部发育天然裂缝系统，为验证UPPF框架提供了理想的地质条件。

Building unsupervised production prediction model based on the UPPF framework

UPPF框架的输入参数包括垂深、总有机碳含量(TOC)、孔隙度、优质储层厚度等12项关键指标，通过PCA降维后，结合VAE的潜在表征和GMM的聚类分析，最终输出基于近邻样本的产量预测结果。

Conclusion

1. 1.

   创新提出的UPPF框架成功整合了PCA、VAE和GMM等无监督学习技术

2. 2.

   该方法有效解决了标记样本稀缺的行业难题

3. 3.

   在四川盆地实际气井中验证了预测准确性

4. 4.

   为油气田开发决策提供了智能化新工具