混合MSCNN-AttBiGRU神经网络用于时间序列井性能预测

《Energy Geoscience》：Hybrid MSCNN-AttBiGRU neural network for time series well performance forecast

　　

精确预测井性能对于做出明智的项目决策和促进油气田（特别是在非常规储层中）的高效、经济开发至关重要。机器学习（ML）作为一种稳健的替代方法，利用其非线性映射优势，超越了传统的储层数值模拟和递减曲线分析方法。然而，由于复杂的应用场景和对预测精度的高标准，仅使用单一技术进行时间序列产量预测的机器学习部署仍然具有挑战性。本文中，研究人员提出了一种面向任务的混合框架，即MSCNN-AttBiGRU模型，用于时间序列产量预测，该模型通过混合多尺度卷积神经网络（MSCNN）和注意力增强双向门控循环单元（AttBiGRU）来提升预测性能。MSCNN用于捕获从粗到细的多尺度空间特征。AttBiGRU利用注意力机制在不同时间步值为BiGRU的隐藏层状态分配不同权重，从而提取关键时间模式。总共进行了8个案例，包括4个具有不同噪声水平的合成井案例和4个具有波动的实际现场井案例。结果表明，MSCNN-AttBiGRU模型通过考虑产量序列的关键多尺度时空特征，在所评估的方法中取得了有竞争力的性能。所提出的模型有能力作为准确且稳健的时间序列产量预测和增产优化设计的有用候选工具。

**论文解读：基于混合MSCNN-AttBiGRU神经网络的时间序列井性能预测研究**

**研究背景与问题**
在非常规储层中，水平井大规模压裂技术的普及使得平衡资本投入与产量成为油气藏经济开发的关键。精确的产量预测有助于合理决策、高质量方案设计和风险管理。然而，井产量预测面临高维度、非线性和波动性等挑战。当前主流方法分为物理方法、统计方法和机器学习方法。物理方法（如解析模型、数值模拟）依赖严格假设，难以反映真实渗流行为，且历史拟合耗时；统计方法（如递减曲线分析、ARIMA）在处理波动和非平稳数据时效果不佳。机器学习方法因非线性映射能力强而受到关注，但单一网络架构难以同时捕捉局部波动、长期递减趋势和历史观测的不同重要性。现有混合模型（如CNN-LSTM、CNN-GRU）虽结合了空间与时间特征学习，但多依赖单尺度卷积、单向时间建模或不足的时间加权。因此，研究人员提出了一种面向任务的混合框架MSCNN-AttBiGRU，以联合捕获多尺度局部模式、双向时间依赖和关键时间步信息。

**研究内容与结论**
研究人员开发了MSCNN-AttBiGRU模型，通过整合多尺度卷积、双向循环学习和注意力加权，提升了产量预测的准确性和鲁棒性。在4个合成井案例（无噪声及轻、中、重噪声）和4个现场井案例上进行了评估。结果表明，该模型在所有案例中均取得最佳或具竞争力的性能，平均绝对百分比误差（MAPE）和均方根误差（RMSE）最低，且预测曲线最接近实际值。消融研究证实了多尺度卷积、双向GRU和注意力机制各自贡献显著。注意力权重可视化显示模型能自适应强调关键时间步。计算成本分析表明模型在精度与效率间取得良好平衡。该研究发表在《Energy Geoscience》。

**主要技术方法**
研究人员采用了以下关键技术方法：
1. **多尺度卷积神经网络（MSCNN）**：使用三个一维卷积分支（核大小分别为7、5、3）提取不同时间尺度的局部特征，并通过最大池化层降维，融合形成多尺度表示。
2. **注意力增强双向门控循环单元（AttBiGRU）**：BiGRU从正向和反向两个方向处理序列，捕获时间依赖；注意力机制为不同时间步的隐藏状态分配自适应权重，突出关键时间特征。
3. **模型训练与优化**：采用贝叶斯优化算法调整超参数，使用Adam优化器，训练集、验证集、测试集按时间顺序以0.6:0.2:0.2比例划分，并进行最小-最大归一化。
4. **基线模型构建**：对比方法包括Arps递减曲线分析、ARIMA、RNN、CNN、LSTM、GRU、BiGRU、CNN-LSTM、CNN-GRU、CNN-BiGRU、Informer、TCN等，均经超参数调优以保证公平比较。
样本来源：合成数据基于中国西北某致密油藏实际井，通过储层模拟软件生成；现场数据来自4口致密油藏生产井，包含油产量、油管压力和油嘴尺寸等变量。

**研究结果**

**合成井案例**
- **无噪声案例（Case 1）**：MSCNN-AttBiGRU预测曲线几乎与真实产量重合，RMSE均值约0.03 m³/d，显著低于所有基线模型（如Arps RMSE=0.65，CNN-LSTM RMSE=0.22）。配对t检验显示多数改进具有统计显著性。
- **不同噪声水平案例（Case 2-4）**：随噪声增加，基线模型性能下降，但MSCNN-AttBiGRU始终保持最低RMSE（如Case 4：RMSE=0.19±0.05），且预测区间最窄。在高噪声下，与CNN-BiGRU和CNN-GRU的差异不显著，但总体表现最佳或统计可比。

**现场井案例**
- **Case 5-8**：MSCNN-AttBiGRU的MAPE分别为7.60%、16.32%、8.95%、6.97%，均低于所有对比模型（如AttBiGRU分别为11.49%、42.70%、11.44%、10.92%）。预测曲线与实测油产量趋势高度一致，尤其在波动剧烈时仍能捕捉关键变化。Informer和TCN表现较差，可能因其架构与油产量数据有限样本、强噪声、非平稳性及局部递减模式不匹配。

**消融研究**
- 对比CNN-AttBiGRU（单尺度卷积）、MSCNN-AttGRU（单向GRU）、MSCNN-BiGRU（无注意力）和完整模型。完整模型在所有案例中RMSE最低，证实多尺度卷积、双向GRU和注意力机制均正向贡献，其中多尺度特征提取和双向时间建模是主要改进驱动，注意力进一步细化关键时间步的聚焦。

**注意力权重可视化**
- 对Case 5测试集平均注意力权重显示，压缩后的时间步2和5获得较高权重，步3最低，说明模型能自适应强调中期和近期历史信息，提高可解释性。

**计算成本分析**
- MSCNN-AttBiGRU的可训练参数规模（约2.15万）远小于Informer和TCN，训练时间和推理时间在可接受范围内，提供了精度与效率的良好折衷。

**总结与讨论**
**讨论部分**：尽管目前仅在有限案例上验证，但MSCNN-AttBiGRU的模块化设计使其可灵活调整：多尺度卷积可通过调整核大小或分支数适应不同波动尺度；循环模块可根据时间特征修改或替换；注意力机制可重新设计以突出不同类型的历史模式。当更多地质、操作或多井数据可用时，输入层可扩展以纳入这些变量。因此，该框架为适应不同产量预测场景提供了灵活基础。

**研究结论**：本研究提出了一种面向任务的混合MSCNN-AttBiGRU框架，用于时间序列产量预测。该模型通过整合多尺度卷积、双向循环学习和注意力时间加权，提高了预测精度和鲁棒性。具体而言，MSCNN模块使用不同感受野的卷积核从产量序列中提取多尺度特征，而AttBiGRU模块从正向和反向捕获关键时间依赖。注意力机制进一步根据隐藏状态与产量预测的相关性自适应地加权，从而强调最具信息量的时空特征。首先通过无噪声的理想递减趋势合成井案例验证了该模型的可行性，然后在三个不同噪声水平的合成案例中评估了鲁棒性。结果表明，MSCNN-AttBiGRU的预测与实际产量值高度一致，有效捕获重要时间模式同时抑制不相关噪声。为评估真实产量波动下的实际适用性，进一步检验了四个现场井案例。在所有测试的合成和现场案例中，该模型在评估方法中取得最佳或具竞争力的性能。未来工作将聚焦于使用更大、更多样的现场数据集验证该框架，并通过考虑井间干扰扩展至多井产量预测。此外，还将探索系统特征重要性分析、替代核大小组合的敏感性分析以及物理信息扩展，以进一步增强该框架的适用性、可解释性和鲁棒性。