集成先进扩展方法与混合深度信念网络，用于预测非常规油藏的流态转换

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Integrated Advanced Scaling Method with Hybrid Deep Belief Net for Forecasting Flow Regime Transition in Unconventional Oil Reservoirs

　　

摘要

本研究探讨了在非常规水库（如多裂缝水平井）的生产数据中应用高级缩放技术（结合深度信念网络和随机森林回归器）的有效性。通过对数-对数（流量与物质平衡时间）图形的分析，该研究提高了对四种关键流动状态（上升期、线性期、过渡期和BDF期）的分类清晰度，并利用来自美国D-J盆地的50口井的数据集，准确识别了瞬态行为结束的时间（斜率为0.5的直线终点）。考虑到水库的异质性，精心挑选的数据集增强了诊断质量，使得对水库行为的解释更加可靠，所提出的模型具有较高的准确性指标。本研究的新颖之处在于将深度信念网络（DBN）作为预处理器，用于捕捉水库参数（如厚度、可压缩性、孔隙度、横向长度等关键特征）中的非线性相关性，从而解决了在线性流动状态结束时间（t_elf）自动化判断这一具体工程难题——这一过程在传统分析中容易受到人为偏见的影响。我们的DBN-RF模型在原始数据分割上的R平方值为0.76，而五折交叉验证的平均R平方值为0.71±0.04，这表明水库厚度与t_elf之间存在物理验证的负相关关系，这种关系受到水力扩散性的影响；同时研究还确定总可压缩性是延长瞬态生产寿命的主要驱动因素。我们还通过R平方值（R²）来衡量平均绝对误差（MAE）和均方根误差（RMSE），以体现模型的稳健性。最后，我们应用排列重要性分析来评估影响井产量的物理特征因素。研究结果支持将典型井剖面（TWPs）发展为预测工具，用于未来的油田开发，旨在将非常规水库的管理方式转变为数据驱动的、更加主动的战略。