《Energies》:Physics-Guided Machine Learning with Flowing Material Balance Integration: A Novel Approach for Reliable Production Forecasting and Well Performance Analytics
Eghbal Motaei,
Tarek Ganat and
Hai T. Nguyen
编辑推荐:
本文针对传统油气生产预测方法在可靠性与长短期预测衔接上的不足,提出了一种融合流动物质平衡与物理信息神经网络的新型混合建模方法。研究人员通过构建两种混合模型(基于FMB特征的神经网络和PiNN模型),有效整合物理规律与数据驱动,显著提升了模型在未见过数据上的预测精度与可靠性,并为动态产能指数跟踪与储层连通性分析提供了新思路,对资产评价与生产管理具有重要意义。
在油气田开发中,准确预测未来的产量至关重要,这直接关系到资产估值、投资决策和商业表现。传统上,工程师们主要依赖两类方法:短期预测和长期预测。短期预测,比如著名的Arps递减曲线分析,方法简单快捷,本质上是用数学曲线去拟合历史产量数据。但它过于简化,忽略了储层物理的复杂性,导致其可靠性有限,难以用于长期决策。另一方面,要进行长期预测,又不得不动用复杂的多学科“重型武器”——集成地球物理、地质、油藏工程和生产工程的数值模拟模型。这类模型虽然物理基础扎实,但构建和运算极其耗时,往往无法满足快速决策的需求。为了弥合这一鸿沟,业界发展出了一些“简化物理模型”,例如Blasingame型曲线。它们从描述流体在多孔介质中扩散的方程(扩散方程)和达西定律出发,推导出解析解,能更快地给出结果,同时考虑了压力动态。然而,这些模型通常假设储层是均匀的“罐子”,在面对复杂的真实储层时,其长期预测的可靠性依然面临挑战。
近年来,随着人工智能的兴起,机器学习为生产预测提供了全新的数据驱动思路。神经网络、长短期记忆网络等模型可以充分利用产量、流压、油嘴尺寸等各种历史数据,进行高效训练和预测。但这些纯粹的“黑箱”模型也有其痛点:它们高度依赖数据质量,物理可解释性差,且容易对训练数据“过度拟合”,导致在面对未知情况时预测失准。
那么,能否将物理定律的严谨性与机器学习强大的数据拟合能力结合起来,取长补短呢?这正是Eghbal Motaei, Tarek Ganat 和 Hai T. Nguyen三位研究者在发表于《Energies》期刊上的论文所探索的方向。他们提出了一个创新的混合建模框架,将油气藏工程中的核心物理概念——流动物质平衡(Flowing Material Balance, FMB)——深度融入到机器学习模型中,旨在打造既准确又可靠的智能预测工具。
研究人员主要运用了两种关键技术方法。首先,他们基于FMB原理,从流动压力等数据推导出“储层压力”作为一个新的物理特征,将其作为额外输入馈送给神经网络模型(即特征工程方法)。其次,他们构建了物理信息神经网络(Physics-Informed Neural Network, PiNN),在模型训练时,不仅最小化预测产量与实测产量之间的误差(数据损失),还增加了一个基于FMB方程的物理约束损失项,迫使神经网络在寻找最优解时必须同时满足物质平衡定律。他们使用TensorFlow框架构建了前馈神经网络,并利用现场一口有约5年日度生产数据的气井进行模型训练与验证,其中80%数据用于训练,最后20%(即最后一整年)的数据作为“盲测”集,以检验模型的泛化能力。通过超参数调优(特别是对产能指数J值的调优)来优化模型性能,并使用均方误差、平均绝对误差、平均绝对百分比误差和决定系数(R2)等指标进行评估。
研究结果
模型训练与验证
研究首先对两种提出的混合模型(Type-1: 基于FMB特征工程的神经网络;Type-2: PiNN模型)以及原始的纯机器学习模型进行了对比。通过精细的超参数调优,他们找到了使PiNN模型性能最优的产能指数J值。结果显示,PiNN模型虽然在训练集上的一些性能指标(如R2)略低于纯神经网络或特征工程模型,但在关键的盲测集(即最后一年未见过的数据)上,PiNN表现出了更优的稳定性和一致性。例如,在第二个验证井的案例中,PiNN模型的预测曲线与实测数据吻合得更好。这证明了物理约束有效防止了模型对训练数据的过度拟合,提升了其面对未知生产条件时的泛化能力。
预测结果分析
对盲测期的预测对比清晰地展示了不同模型的优劣。纯FMB分析方法虽然计算快速,无需关井,但在生产条件变化时预测能力有限。特征工程神经网络模型在训练集上表现优异,但在部分盲测期出现了明显的高估或低估,稳定性不足。相比之下,PiNN模型的预测在整个盲测期内都更贴近实测数据,保持了良好的连贯性。量化指标显示,特征工程NN模型取得了最佳的RMSE、MAE、MAPE和R2,但PiNN模型在盲测中展现了更高的可靠性。作者指出,尽管PiNN的某些指标数值上并非最优,但它通过在损失函数中引入物理约束,作为一个“物理调节器”,确保了预测在统计准确的同时,更具有物理意义,从而在实际长期预测中更为可靠。
产能指数分析与模型物理一致性
研究还展示了PiNN模型的一个独特优势:它能够通过超参数调优过程,同时估算出油井的产能指数。分析表明,随着生产进行,油井的产能指数会发生变化。PiNN框架允许对这种动态变化进行敏感性分析和跟踪,这为油井动态分析和性能评价提供了额外见解。通过FMB计算出的储层压力作为新特征,也为多井连通性分析等高级应用奠定了基础。
研究结论与讨论
本研究成功地将流动物质平衡概念集成到神经网络中,通过物理信息神经网络的框架,显著提升了生产预测模型的可靠性。所提出的PiNN模型能够引导神经网络在物理可行的范围内预测产量,避免超出油井技术潜力的过度估计或估计不足。虽然PiNN模型由于需要满足额外的物质平衡方程而拥有更低的自由度,导致其在某些训练指标上并未超越传统神经网络,但其核心价值在于极大地增强了对“未见数据”的预测稳健性和物理一致性。
这项研究的一个重要成果是,将FMB约束嵌入PiNN框架起到了物理调节器的作用。它惩罚了那些虽能拟合训练数据但违反储层物质平衡的模型,从而保持了模型的泛化能力,避免了传统神经网络中常见的过拟合现象。这种双重指导确保了产量预测既具有统计准确性,又具有物理意义。在实践中,这一原则强化了生产历史拟合,使PiNN模型能在重现历史趋势的同时验证储层压力动态,为油藏管理决策提供了更可靠的基础。
在油藏工程中,物理信息神经网络主要有两类物理基础:控制多孔介质流体流动的偏微分方程形式的扩散方程,以及物质平衡方程。与传统依赖关井静压数据的物质平衡方法不同,本研究创新性地利用了流动数据,无需关井即可构建PiNN模型。这使得构建的机器学习模型在连续生产条件下更具可靠性,并增强了其在长期预测中的实用性。
展望未来,该方法可扩展到多井分析,通过井间物质平衡检查来评估储层连通性。此外,还可以通过实施多段神经网络集成来跟踪不同时间窗口下的油井产能指数动态变化。这些扩展应用凸显了PiNN-FMB模型不仅作为预测工具,更作为将物理学嵌入机器学习以支持长期油藏管理策略的框架的广泛效用。