基于数据驱动方法的气井管柱积液高度预测

《Processes》：Prediction of Liquid Accumulation Height in Gas-Well Tubing Using a Data-Driven Method

　　

摘要

气井油管积液的可靠估计对于表征积液工况和支持工程评估至关重要。传统机理方法通常依赖大量的井筒描述符和经验参数，同时还需要复杂的求解过程。本工作通过一种数据驱动预测框架来解决这些限制，该框架将集成特征选择与蚁群优化支持向量回归（ACO-SVR）相结合。对从某气田收集的 107 条生产测试记录应用了多数投票方案。该方案结合了线性回归、灰色关联分析、随机森林不纯度平均下降、皮尔逊相关系数和 SHAP 归因，并从 11 个候选变量中选择了七个主要因素：套管压力、油管压力、油管深度、储层中深、日产气量、日产水量和井口温度。随后，蚁群优化确定了 SVR 超参数。使用 32 个留出井样本进行评价，均方根误差为 165.73 米，平均绝对误差为 103.26 米，决定系数为 0.94，平均相对误差为 2.11%。重复五折交叉验证进一步得出平均为和均方根误差为米，表明在不同数据划分之间存在中等程度的变异性。与未调优的 SVR 相比，ACO-SVR 将均方根误差和平均绝对误差分别降低了约 27.0% 和 31.1%。其平均相对误差也比 PLATA 模型低 3.66 个百分点。所得框架能够基于小样本准确预测油管积液高度，并为所研究工况下的积液评估提供定量信息。