摘要
页岩气开采受到复杂的地质和工程因素影响，其产量变化往往十分显著。传统方法由于只能考虑有限数量的与生产相关的变量，在运营条件不断变化的情况下很难做出准确预测。本研究着眼于页岩气井的自然流动阶段，提出了一种概率预测框架，将该阶段的物理衰退特征与动态生产数据相结合。通过构建受衰退特征约束的双分支TCN–LSTM网络，并运用学生t分布来量化短期生产波动带来的不确定性。研究结果表明，将物理衰退约束纳入深度学习架构中，有助于弥补参数表达能力有限的传统模型与可解释性不足的纯数据驱动模型之间的差距。所提出的方法在提高预测准确性的同时，还能保留预测结果的物理意义，并能生成具有稳定覆盖率的抗噪声置信区间。该方法可为页岩气井的短期产量监测及生产模式调整提供决策支持。
