石油生产工程中机器学习的进展：综述

《Computer Science Review》：Advances in machine learning for petroleum production engineering: A review

　　

## 摘要

机器学习（ML）因其处理复杂、高维数据并支持预测性决策的能力，已成为石油工业中日益重要的工具。尽管已有大量研究和综述考察了机器学习在上游石油工程中的应用，但针对机器学习方法在生产石油工程中的具体应用，相关综述仍较为有限。本综述考察了机器学习在生产石油工程核心工作流程中的应用，包括碳氢化合物产量预测、井筒性能评估、流动保障、人工举升系统以及常规与非常规储层的井筒增产措施。所调研的文献涵盖全球二十多个国家；然而，大部分研究源自中国和美国，其后依次为俄罗斯、沙特阿拉伯、巴西、伊朗、埃及和尼日利亚。钻井作业、水力压裂设计、碳捕集与封存、氢能以及经济或价格预测等主题不在本综述范围之内。

所调研的研究涵盖了广泛的机器学习方法，从传统回归和集成方法到深度学习架构以及新兴的物理信息神经网络。本综述并非孤立地呈现性能指标，而是讨论了机器学习方法在哪些方面展现出实际优势及其局限性，包括过拟合、数据质量约束、有限泛化能力以及物理一致性和现场部署方面的挑战。通过整合近期进展和所报告的挑战，本综述旨在为机器学习在生产石油工程中的当前能力提供一个平衡的视角，并确定需要进一步方法学开发和与领域知识结合以实现可靠的现场规模应用的领域。

## 1. 引言

生产石油工程面临诸多运营挑战，包括产量递减、设备故障、流动保障问题，以及管理大量现场数据的复杂性不断增加。传统技术往往受限于数据异质性、不确定性以及无法提取可操作的洞察。人工智能（AI）通过利用机器学习（ML）处理大型数据集、识别隐藏模式、预测设备故障和产量趋势，以及实现生产作业的实时优化，提供了现代解决方案，从而促进了决策改进、运营成本降低和资产性能提升。

机器学习（ML）是人工智能的一个关键分支，使计算机能够通过识别模式并从数据中学习来做出决策[1]。如图1所示，机器学习可大致分为监督学习、无监督学习和强化学习。深度学习（DL）是基于多层神经网络的机器学习子集，可应用于这些范式中以捕获复杂的非线性模式。物理信息神经网络（PINNs）与常规数据驱动的深度学习模型不同，其在训练过程中显式地纳入了控制物理定律，从而将预测约束在物理一致的解上。

机器学习在现代生产石油工程中的快速采用，是数据驱动传统工程实践改进的基础技术。通过整合机器学习，工作流程更加有效，因为它们解决了传统方法无法处理的复杂非线性问题。机器学习算法的自适应学习能力使其能够分析大型生产数据集并自动识别关键的与生产相关的模式。机器学习模型识别出复杂的储层关联，从而促进工程优化、降低运营成本和改善作业，同时产生明确的发现[2]。尽管具有强大的预测能力，但与生产石油工程中使用的传统基于物理和解析方法相比，机器学习模型存在固有的局限性。纯粹的数据驱动机器学习模型可能缺乏物理约束，导致在训练域之外进行不可靠的外推或物理不一致的预测。相比之下，基于物理的模型显式地强制执行控制方程，但通常计算密集且难以校准。认识到这些权衡对于负责任地部署机器学习至关重要，并促使采用混合和物理信息建模策略。

产量预测中的一个关键挑战在于，现场生产数据通常是非平稳的。产油率、产气率、含水率和压力的变化可能不仅源于储层消耗，还可能源于操作性或机械性干预，如节流调整、关井、修井、人工举升变更和注入速率变化。如果这些事件未作为输入特征显式表示，机器学习模型可能会错误地将操作扰动学习为储层消耗趋势。因此，产量预测工作流程通常需要显式的特征工程，包括滞后生产变量、滚动和扩展统计量、差分特征、节流设置历史、关井/修井指标、压力历史以及人工举升或注入控制变量。这些特征有助于区分消耗驱动行为与干预驱动变化，并提高基于机器学习预测的物理可靠性[3,4]。

现代石油生产系统从生产日志、永久井下仪表、监控与数据采集（SCADA）系统、人工举升控制器、压力和温度传感器、流量计、实验室测量和模拟器中产生大量异构数据。这些数据不仅数量庞大，而且直接与关键的生产工程问题相关联：生产历史支持产量预测和递减分析；压力和温度测量支持井底压力估计和井筒性能监控；人工举升运行数据支持泵诊断、气举优化和故障预测；流动保障测量支持水合物、蜡、沥青质和堵塞风险评估[5]。然而，这些数据的非线性和时间依赖性往往限制了单独使用传统解析方法的有效性。机器学习通过实现在生产相关工作流程中的快速预测、分类、异常检测和优化，提供了一种互补解决方案。

在生产石油工程中对机器学习日益增长的兴趣，越来越多地由其改善人工举升优化、生产系统监控和流动保障决策的能力所驱动[6,7]。近期研究已将机器学习模型应用于人工举升选择[8]、气举性能预测与优化[9]、电潜泵可靠性监控[10]、井底压力估计[6]以及产量预测[11]。这些应用表明，机器学习可以支持实时诊断、减少不必要的干预、改善井筒性能预测，并提高人工举升井的操作可靠性。不同类别的机器学习适用于不同的生产挑战。基于回归的模型，包括线性回归、支持向量回归、随机森林、梯度提升和XGBoost，通常用于预测连续工程变量的目标，如井底压力、流入性能、采收率或人工举升性能[12]。基于树的集成模型特别有用，因为它们能够捕获生产变量之间的非线性相互作用，同时保持较强的预测精度。相比之下，基于序列的模型，如循环神经网络（RNNs）、长短期记忆网络（LSTM）、注意力机制LSTM和门控循环单元（GRU），更适合生产预测、压力趋势预测和动态井行为监控等具有时间依赖性的生产问题，因为它们能够从历史生产数据中学习时间依赖关系[[13], [14], [15]]。物理信息和混合机器学习模型通过将数据驱动学习与控制物理定律相结合，提供了一条途径。这些方法在现场数据稀疏、噪声大或难以外推时尤其相关，并有助于减少训练范围之外的物理不一致预测。

图2(a)和(b)分别提供了横截面数据和时序（序列）数据的机器学习工作流程。图2(a)展示了一个典型的机器学习工作流程，从数据预处理、特征选择、模型训练、超参数调优和部署开始。超参数调优是优化模型特定参数以提高预测性能的过程。这一步通常使用网格搜索、随机搜索或贝叶斯优化等技术，结合交叉验证来完成。机器学习工作流程的另一个重要方面是在模型开发的超参数调优阶段使用元启发式优化技术，如粒子群优化（PSO）和遗传算法（GAs）。在图2(a)所示的机器学习路线图背景下，这些方法主要优化模型特定参数（例如，学习率、网络架构、树深度），而不是直接优化工程或现场规模的决策变量。这一区分很重要：超参数优化提高了模型性能和泛化能力，而工程优化则关注运营目标，如产量、举升设置和注入策略。澄清这种分离有助于避免在模型校准和油田优化任务之间的混淆[16,17]。值得注意的是，图2(a)未考虑时间序列预测的具体要求，而时间序列预测是生产石油工程中的一个重要领域。图2(b)展示了一个专门为时间依赖运行条件下石油产量预测而开发的时序机器学习预测工作流程，使用基于LSTM的框架。该过程从时间数据划分开始，将历史生产数据按时间顺序划分为训练集、验证集和测试集，以保留自然时间序列。划分后，通过纳入先前的生产值（例如，yt?1, yt?2, …, yt-p）作为预测变量来生成滞后特征，使模型能够捕获时间依赖关系和产量递减。工作流程随后应用序列特征工程，包括滚动和扩展统计量、基于时间的变量、差分以及相关的内生变量，如储层压力、注入速率和节流设置。这些特征被输入LSTM模型，该模型通过循环记忆单元处理序列输入数据，以学习短期和长期时间关系。在训练期间，使用损失函数（例如，MSE或MAE）和优化算法（如Adam）来优化模型参数。在时间序列预测中，超参数也可以使用元启发式算法进行优化。例如，Kumar等人使用遗传算法优化了基于注意力的长短期记忆网络（A-LSTM）用于产量预测的超参数[18]。训练完成后，模型被部署用于迭代预测，即将某一未来时间步的预测反馈作为输入以生成后续预测，从而实现产量预测。最后，通过将预测与实际生产曲线进行比较，在未见的测试数据集上评估预测性能。该工作流程显式地考虑了时间依赖性，并展示了产量预测的递归性质。

一个特别有前景的进展是物理信息神经网络（PINNs）的出现。与主要基于数据驱动并侧重于复杂模式识别的传统深度学习模型不同，PINNs代表了一种混合建模框架，显式地将控制物理定律（如偏微分方程以及边界或初始条件）整合到神经网络的损失函数中[19]。这种物理信息公式将学习过程约束在物理上可接受的解范围内，确保模型即使在训练数据稀疏或有噪声时也能与系统基础物理保持一致。因此，PINNs在石油生产系统中的流体流动建模、井底压力预测和水驱优化等应用中展现了潜力[20,21]。 ongoing研究表明，PINNs将成为石油工程中的行业标准，实现改进的储层管理和优化[22]。

最后，这些发展必须在油气领域更广泛的数字化转型背景下看待。迄今为止，机器学习主要被应用于执行特定活动（如异常检测、产量预测和预测性维护）。Hanga和Kovalchuk[23]提供了油气行业机器学习和多智能体系统（MAS）的全面综述。机器学习在MAS中的应用有望实现更智能的现场单元协调、更优越的供应链管理以及更强的上游到下游弹性。尽管MAS目前尚未被行业使用，但当与机器学习结合时，可以将其视为未来的发展方向[23]。有一些综述文章提供了更广泛或更具体的视角。Sircar等人[24]概述了AI在上游油气行业中的应用；然而，他们并未详细覆盖与生产相关的机器学习技术。Ma和Ye[25]专注于水力压裂并强调了开发混合和可解释机器学习模型的必要性。Chen等人[26]探讨了非常规油气田中的AI应用，包括产油预测和强化采油。

尽管如此，现有的综述研究往往集中于特定子领域，如水力压裂、储层模拟、垢的形成或水合物管理，或者采用宽泛的上游视角而对生产工程关注度有限。本综述通过提供机器学习在生产石油工程关键领域近期发展的结构化、面向应用的概述来填补这一空白，包括产量预测、井筒性能、流动保障、人工举升优化和井筒增产措施。重点在于新兴方法学，包括集成学习、混合数据驱动框架和物理信息神经网络，并关注其在实际运行条件下的实用性。本综述考察了常规和非常规碳氢化合物储层中的机器学习应用。

常规资源通常以达西流和一次或二次采收机制为特征，而非常规资源（如页岩和致密储层）则表现出更为复杂的生产行为，受超低渗透率、非达西流、纳米孔中的多相传输以及以裂缝为主导的流动系统等因素影响。由于这些储层类型在流动机制、数据特征和工况方面存在显著差异，本文结合储层类型、流动行为和数据来源，讨论了所综述的机器学习方法的适用性与局限性，涵盖了现场尺度、模拟数据和实验室尺度数据集。1.1 方法：文献检索与筛选方案

本综述涵盖的研究成果主要发表于2015至2026年之间，并特别关注2022至2026年间取得的进展。综述仅收录在以下生产工程领域中使用机器学习、深度学习或物理信息机器学习（PINN/PIML）的研究：

- 烃类产量预测
- 流入性能与流动井下压力（IPR/BHP）
- 流动保障
- 人工举升系统
- 增产作业
- 以生产为目标的物理信息神经网络（PINN/PIML）应用

检索平台包括Scopus、Web of Science、OnePetro、IEEE Xplore和Google Scholar。检索式将机器学习与物理信息相关术语与生产工程关键词相结合（例如："machine learning" OR "deep learning" OR "neural network" OR "physics-informed" AND "production" OR "flow assurance" OR "IPR" OR "bottomhole pressure" OR "artificial lift" OR "well stimulation"）。纳入标准规定研究必须满足以下条件：

- 为同行评审论文、会议论文或高质量技术报告，主要发表于2015至2026年间；
- 将机器学习、深度学习或物理信息机器学习应用于上述生产工程类别之一；
- 提供足够的方法细节，并包含至少基本的实证评估（报告的指标、数据集描述或案例研究）。

排除标准排除了缺乏方法细节或量化结果的研究、非英文出版物，以及主要研究目标不属于生产工程范畴的工作。筛选分阶段进行：先根据相关性对标题和摘要进行筛选；通过初步筛选的研究再获取全文，并对照纳入/排除标准进行评估。争议通过评审员讨论解决。从每篇纳入的研究中，我们提取了以下信息：发表年份、主要目标、机器学习方法、研究领域、数据来源（现场、合成、实验室）、报告的数据集规模（如有）、验证策略（随机划分、时间留出、跨油田测试、交叉验证）、报告的性能指标（R2、RMSE、MAPE、准确率等），以及关于部署或可复现性的说明。

对于每个研究领域，本综述总结了常用的机器学习方法、典型数据环境、代表性实证结果、对验证方法的批判性评估，以及反复出现的方法学弱点。汇总表为每项研究提供了所使用的数据类型、样本量、验证方法和报告的性能指标。

为可视化所综述文献的主题范围和关键词共现结构，图3展示了基于本综述纳入研究构建的VOSviewer文献计量图谱。该图谱证实，所综述文献涵盖了本文关注的所有主要应用领域，包括产量预测、人工举升系统、井性能分析、流动保障、增产作业以及物理信息神经网络。此外，图谱还显示，机器学习、深度学习、随机森林、长短期记忆网络以及产量预测等核心主题构成了网络中高度连接的中央集群。

**下载：下载高分辨率图像（1MB）下载：下载全尺寸图像**

图3 本研究所分析文献的关键词共现图谱。

2. 机器学习工具在石油生产工程中的应用

2.1 烃类产量预测

烃类产量预测传统上依赖于两种基本方法：递减曲线分析（DCA）和储层模拟（RS）。这些方法在常规储层的未来产量估算方面已得到充分确立。DCA模型使用简单的数学公式，从历史数据进行有效外推，从而在储层稳定运行期间实现可靠预测。广泛应用的模型是由Arps于1945年提出的模型[27]。Arps总结指出，根据损失率、速率关系和递减百分比，产量曲线可分为三大类别：指数型、双曲型和调和型[27]。然而，这些递减方法对于表现出复杂流动模式并存在显著非线性的非常规储层并不适用。此外，结合多种模型的蒙特卡洛模拟面临局限性，因为其预测精度依赖于预定义输入模型，可能导致有偏预测。

相反，RS工具使用科学计算方法，将地质、物理、生产和储层物性数据集成以构建储层模型。该过程涉及五个基本步骤：数据采集、模型开发（包括地质模型和流体分析系统开发）、历史拟合以及结论评估（图4）。然而，由于储层非均质性，创建精确地质模型具有挑战性，需要进行密集的数据分析和仔细的检查。历史拟合要求工程师花费时间调整模型以与实际储层数据对齐，但这依赖于其专业知识。因此，RS工具是一种成本高昂且耗时费力的方法[13]。

**下载：下载高分辨率图像（274KB）下载：下载全尺寸图像**

图4 储层模拟工作流程。

相比之下，机器学习模型在处理非线性问题且无需刚性地质模型方面的优势，使其非常适合油田数据分析。机器学习在多个方面优于传统方法。首先，机器学习使用数据处理技术清洗、预处理和转换原始数据，并重新定义传统模型之前忽略的参数。此外，机器学习模型具有独特的学习能力，能够在大型复杂数据集中准确识别并预测非线性趋势。机器学习支持的分析方法还包括多种方法，可将结果图形化以显示主要影响因素。这不仅有助于开发人员获取未来优化的见解，还能提高运营效率和整体成本效益[2,28,29]。

最近，大量研究考察了机器学习在烃类产量预测中的应用。Liang等人特别指出，机器学习算法使用数据驱动方法取代DCA和RS方法，以捕捉复杂储层的动态特征[13]。人工神经网络（ANN）在回归和时间序列预测方面表现出强劲性能，而支持向量机（SVM）则尤其适用于小样本数据集。通过适当的特征选择和超参数调优，可提升机器学习工具的性能。元启发式算法（如PSO和GA）常被用于优化模型参数并提高预测精度。另一项由Samnioti和Gaganis撰写的综述将机器学习与储层模拟相结合，特别是代理模型和动态储层建模。他们将机器学习模型分为静态（短期预测）和动态（时间序列数据）。研究发现，集成方法（如随机森林（RF）和梯度提升回归器（GBR））可提高预测精度，因为它们能够处理非线性数据[30]。基于这些见解，本综述进一步将之前的工作扩展到2022至2026年间开展的研究，详细阐述了机器学习算法在实时产量预测中的运营应用。

Ning等人使用DJ盆地65口井的数据，并使用ARIMA、LSTM和Prophet模型进行分析[31]。由于季节性对石油生产的影响极小，ARIMA和LSTM比Prophet更有效。迁移学习使ARIMA和LSTM参数得以重用，证明ARIMA在预测石油产量方面具有稳健性[31]。Werneck等人使用数据增强和异常值移除的深度学习，预测了巴西前盐层油田的石油产量[32]。在比较了10个模型后，包括GRU2（门控循环单元-2层）、GRUconv（带卷积层的门控循环单元）、Seq2Seq（序列到序列模型）、CNN（卷积神经网络）、DeepAR（深度自回归模型）、用于时间序列的神经基扩展分析（N-BEATS）、Transformer（基于注意力的模型）、Prophet（Facebook/Meta开发的预测模型）、PN-DCA（基于递减曲线分析的PINN）和RNN（循环神经网络），并使用石油和非石油数据，他们得出结论："第n天方法"，即专注于预测特定未来日期的石油产量，提供了更高的精度[32]。Kumar等人使用带有动态预测窗口（DFW）的基于注意力的长短期记忆网络（A-LSTM），通过利用过去和未来生产数据之间的时间相关性，预测了印度和中国的产量。A-LSTM（带注意力机制）模型表现出比ARIMA、DLSTM（深度LSTM）和其他模型更低的RMSE值，表明预测精度更高[18]。

针对Volve油田，Chahar等人应用ANN、RF和GB模型预测日石油产量。ANN的R2为0.9，而RF为0.98，证明在历史数据充足的情况下，数据驱动模型是准确的[33]。类似地，Al Dwood等人使用真实的Halewah油田数据集开发了混合ANN-GB-LR模型[2]。该研究结合了ANN的学习能力、GB对异常值的稳健性以及LR的可解释性。结果表明，该模型优于RF、线性回归、Light Gradient Boosting、XGBoost、GB和KNN，石油流量的R2达到0.998，RMSE为11.06；气体流量的R2为0.98，RMSE为172.15[2]。Al-Shabandar等人引入了在90年美国和加拿大油气田数据集上训练的深层门控循环神经网络。与传统RNN相比，DGRU的门控更少，能够高效捕捉长期依赖关系，在石油产量预测中表现出强大的预测性能[34]。

Kaleem等人使用混合集成模型预测挪威Volve油田通过地表节流的多相流量。该模型结合了DT、RF、GB和Extra Trees（ET），R2达到0.985，优于各个独立模型[35]。Fan等人利用一种新的集成机器学习模型——随机森林-完整集合经验模态分解-自适应噪声-深生成模型（RF-CEEMDAN-DGM），进行产量预测，重点关注中东和中亚的数据。结合RF、CEEMDAN、TCN、GRU和多头注意力，他们的方法降低了RMSE和MAE，并达到了最高R2=0.907，提供了准确的实时产量预测[36]。Omotosho收集了挪威Volve油田的日数据以预测石油产量。为获得最佳结果，他使用了一个堆叠集成，以XGBoost、CatBoost和RF作为基础估计器，RidgeCV作为最终估计器。他将其与独立模型、ARIMA和Prophet进行了比较。结果表明，该模型优于其他模型，R2达到0.975[17]。Thabet等人应用机器学习模型预测埃及西部沙漠抽油杆泵井的地表流体流量。比较了九个机器学习模型：GB、AdaBoost、RF、SVM、Tree、KNN、LR、NN和随机梯度下降模型。GB取得了最高结果，R2为0.937，但RF具有最低的MAPE=3.6%，R2为0.935[37]。

为提供更广泛、更平衡的机器学习驱动的烃类产量预测视图，表1汇总的选定研究既包括基础性工作，也包括近期发展。这些研究显示了从传统数据驱动模型（如ANN、RF、GB、ARIMA和LSTM）向更高级的混合及物理指导框架的明显转变，后者整合了时间生产行为、运行约束、完井数据、地质信息和不确定性感知预测。这一进展之所以重要，是因为现代烃类产量预测需要不仅准确，而且稳健、能适应复杂油田条件并支持实际储层管理决策的模型。图5展示了烃类产量预测的概述。

表1 使用机器学习进行烃类产量预测的总结

| 参考文献 | 机器学习模型 | 地点 | 数据集 | 结果 | 重要参数 |
|----------|--------------|------|--------|------|----------|
| [31] | ARIMA、LSTM和Prophet | DJ盆地 | 65口井（83行） | ARIMA表现最佳，RMSE为4.97 | 月度石油产量数据 |
| [32] | GRU2层、Gruconv、Seq2Seq、CNN、Deepar、N-BEATS、Transformer、Prophet、PN-DCA、RNN | 巴西前盐层油田 | 16口生产井和16口注水井 | "第n天方法"提高了预测能力 |

GRU和LSTM（RNN）在石油、天然气和水的产量、含水率（WC）、气油比（GOR）以及地下产油量（GOL）预测方面表现优于其他模型[33]。在ANN、RF、GB等方面，针对挪威Volve油田的15/9-F-12井（3305个数据点）和15/9-F-1C井（746个数据点），ANN在15/9-F-1C井的R2 = 0.9，RF在15/9-F-12井的R2 = 0.98。输入变量包括井底压力、井下压力、节流阀尺寸、总注水量、油管压力和温度[18]。A-LSTM、DLSTM、NEA、ARIMA、Multi-RNN、DGRU在华北油田和印度坎贝盆地进行了对比，华北油田227个数据点，坎贝盆地63个数据点。A-LSTM模型在两个油田均取得了最低的RMSE（华北油田R2=0.978，坎贝盆地RMSE=0.0102），目标变量为月产油量[2]。ANN-GB-LR、LR和XGB算法与LGBM、RF、GB和KNN相比，在也门Halewah油田中，ANN-GB-LR表现最优，油R2 = 0.998，气R2 = 0.98，输入变量包括节流阀尺寸、分离器压力（Psep）、API度、气油比、含水率、气、水和油分配量[34]。Multi-RNN、Single GRU、Multi-GRU/ANN、Multi-LSTM、DGRU在美国油田数据中进行了90年数据集的测试，DGRU表现最优，R2=0.9978，RMSE = 0.0012，目标变量为石油产量[35]。ET、RF、GB、DT、MLP、SVR、KNN、投票集成、堆叠集成在挪威Volve油田6488个数据点上进行了比较，堆叠集成表现最优，训练R2 = 0.999，测试R2 = 0.985，输入变量包括井下压力、井下温度、油管尺寸、环空压力、井口压力、井口温度、节流阀尺寸、气油比、油气产量[36]。CNN-GRU、CNN-LSTM、CNN-BILSTM以及RF-CNN-GRU、RF-CNN-LSTM、RF-CNN-BILSTM、CNN-GRU-MA、CNN-LSTM-MA、CNN-BILSTM-MA、RF-CNN-GRU-MA、RF-CNN-LSTM-MA、RF-CNN-BILSTM-MA与RF-CEEMDAN-TGMA在中东、中亚地区进行了对比，RF-CEEMDAN-TGMA表现最优，R2 = 0.788，MAPE = 0.137，输入变量包括运行月份、生产天数、节流阀尺寸、气油比、含水率、井底流压、井下温度、油管压力[17]。ARIMA、Prophet、XGBoost、RF、CatBoost和堆叠模型在挪威Volve油田进行了比较，堆叠模型表现优于其他模型，MAE = 172.38，R2 = 0.97，输入变量包括井下温度、油管井下压力、节流阀尺寸、节流阀尺寸差压比、环空压力[37]。GB、AdaBoost、RF、LR、ANN、SGD（随机梯度下降）在埃及西部沙漠598口井中进行了比较，GB表现最优，R2 = 0.937，MSE = 0.03，输入变量包括地面流体流量、井口流压、套管压力、泵上方净液柱、泵尺寸、泵间隙、冲程长度、泵速、泵安装深度、泵处温度、石油比重、水粘度[38]。TFNN、注意力分数、AE、k-means在美国巴肯页岩886口井（199个租约）中，局部模型相比全局模型提高了预测精度，输入变量包括压裂液量、总支撑剂、施工压力、施工排量、压裂层数、水平段长度、纬度、经度；基质孔隙度、地层厚度、初始地层压力、初始含水饱和度、石油密度[11]。MA-CLSTM-ED、RIME、CNN、LSTM、注意力在大庆、Volve和Z1数据集的4口油井上，MA-CLSTM-ED取得了最好的多步预测性能，输入变量包括石油产量、一阶差分、一阶累加和、时间[39]。Bi-GRU-MLP-SA、Bi-LSTM-MLP-SA、HOA、SHAP在中国长七段3口水平井、104个压裂层段中，Bi-GRU-MLP-SA取得了最好的页岩油预测性能，动态数据包括油压、流压、含水率、动液面、产气量、返排量、日产油量；选定的静态/非时序数据包括垂深、基质孔隙度、基质渗透率、含水饱和度、总含烃量、总压裂液量、压裂压力、层段长度、返排量[40]。DLSTM、GA、ARIMA、RNN、DGRU、NEA、HONN在华北油田和中国、印度坎贝盆地227个观测值和63个月度记录中，DLSTM表现优于统计和神经网络模型，目标变量为历史石油产量数据和坎贝盆地5口油井的月产油量[41]。DeepAR、Prophet、Pan CRM在美国Midland油田22口井、105–362个月/井的数据中，DeepAR和Prophet在短期预测中优于DCA，输入变量为月产油速历史数据[42]。BiGRU-DHNN、BiGRU、GRU、LSTM、RNN在中国致密油储层6口井和13口井中，BiGRU-DHNN提高了长期预测精度，输入变量包括井垂深、井水平段长度、压裂层数、总砂量、总液量、总滑水量、GR、DEN、AC、RT、RI、CS、TP、SI、PD、产油量。

下载：下载高分辨率图片（457KB）
下载：下载完整尺寸图片
图5 碳氢化合物产量预测可视化流程。

2.2 井筒性能

流入动态关系（IPR）是评估井筒性能的常用工具。该关系在人工举升、井筒完井相关因素的设计与评估以及后续评价中发挥着关键作用，对储层生命周期的优化和监测同样至关重要[43]。Vogel于1968年提出了产量与井底流压之间非线性关系的确定方法[44]。该相关性存在许多简化假设。其他IPR模型也已开发出来，如表2所示。

表2 传统IPR方法汇总

模型 | 公式 | 适用条件

[44] q/q_max = 1 ? 0.2·(P_wf/P_r) ? 0.8·(P_wf/P_r)2 | 均质油层解吸气驱

[45] q_o/q_o,max = 1.8·FE·(1?P_wf/P_r) ? 0.8·FE·(1?(P_wf/P_r)2) | 解吸气驱油层中的井

[46] q_o = c·(P_r2 ? P_wf2)^n | 油气井

[47] q/q_max = 1 ? V·(P_wf/P_r) ? (1?V)·(P_wf/P_r)2 | 均质油层解吸气驱

[48] q = (1?P_wf/P_r)^n ? (1?V)·(P_wf/P_r) | 解吸气驱油层中的水平井

[49] q/q_max = 0.985 ? 0.2055·(P_wf/P_r) ? 1.1188·(P_wf/P_r)2 | 解吸气驱油层中的斜井

[50] q/q_max = 1 ? 0.295·(P_wf/P_r) ? 0.705·(P_wf/P_r)2，其中 N = 0.228 + (h/r_w)·(1.235 + 0.001·P_r) | 泡点压力下运行的直井

[51] q/q_max = 1 ? 0.1225·(P_wf/P_r) ? 0.8775·(P_wf/P_r)3 | 解吸气驱油层

[43] q/q_max = 1 ? 0.519187·(P_wf/P_r)^0.41082 | 三相系统，直井

[52] q/q_max = 0.985 ? 0.25·(P_wf/P_r) ? 0.75·(P_wf/P_r)^n，其中 n = [?0.27 + 1.46·(k?/k) ? 0.96·(k?/k)·(4 + 1.6·E^(-3B_r))] | 两相系统，水平井

[53] q/q_max = ln(α·P_r + 1)/ln(α·P_wf + 1) | 解吸气驱油层。该模型以平均地层压力描述石油流动性

[54] q = 0.007068·k_f·h·(P_r ? P_wf)/[ln(r_e/r_w) + s ? 0.75·(k_rf,o/μ_o·B_o)_pav]，其中 p_av = (p_wf + p_r)/2 | 天然裂缝油层

[55] q/q_max = 1 ? (0.673 ? 0.0278·Y)·(P_wf/P_r)2/(0.0278·Y + 0.3621) | 多层水平井解吸气驱

[56] q_o/q_o,max = 1 ? (0.0446·n_r + 0.1488)·(P_wf/P_r) ? (0.8288 ? 0.0358·n)·(P_wf/P_r)2 | 解吸气驱油层中的鱼骨井

[57] J = q_s/(c?·p_p ? P_wf) = 2πkh·E/[μ·B·(ln(r_e/r_w) ? 0.75)] | 三连续介质储层

[58] q = 10^(-5.364) × 10^(-4)·V_F3 + 3.356×10^(-2)·V_F2 ? 6.809×10^(-1)·V_F ? 0.6463·(P_R2 ? P_wf)^n，其中 V_F = ((φ_n·e·w^0.2·η_w)·S·H·C·n·e·w·P·I·Depth)/√(h·L) | 页岩气储层

[59] P_wf = P_i ? 8·q·μ·L/(π·r?)·(N_p·B_o)/(N·B_oi·C_t) | 压裂碳酸盐岩储层

*本表术语定义见符号表。

IPR预测的准确性有助于优化工业操作，通过有效设计并适当实施人工举升系统。鉴于此，快速且高度自适应的工具必不可少[60]。因此，本节展示了如何利用机器学习技术进行IPR建模，与传统方法相比提供更可靠和精确的结果。Basfar等人使用反向传播网络和模糊逻辑来预测油井IPR模型。研究人员从垂直油井中收集了207个数据样本用于研究。该研究中的模糊逻辑模型表现优于ANN模型和传统经验公式，平均绝对误差为0.018，标准差为0.029，相关系数为0.997[60]。Tariq等人提出了一种基于SVM和PSO的天然裂缝型解吸气驱储层水平井新型IPR公式[16]。该模型依赖于三个主要参数：归一化水平井长度、孔隙间窜流系数和储容比；后两个参数由井试数据推导得出，如压力恢复或压降测试。该公式为双重孔隙度/双重渗透率天然裂缝系统中流入动态估计提供了实用参考曲线，绝对误差为2%。Fiorillo开发了一种类似IPR的模型算法，用于分析秘鲁Ucayali和Madre de Dios盆地的高频数据。利用该算法，系统实现了数据处理自动化，同时通过模型筛选和校准来生成短期和中期的产能水平预测，并考虑了基于 depletion 的变化。该算法以自动化方式处理来自SCADA系统的高频数据。当alpha参数得到优化且训练调整与高需求及低需求井工况相匹配时，算法的精度得到提升[61]。Mohamed和Abdalla提出了一种用于预测水力压裂水平井气藏IPR的精确算法。该模型使用单点流动测试，R2达到0.998，平均绝对误差为1.54%。该方法被证明是预测气产量的最精确且可接受的预报工具[62]。Al-Dogail等人也利用489个数据点（由已发表文献和PVT报告组成）预测了气井的IPR。研究表明，模糊逻辑（FL）模型的结果优于ANN，平均绝对误差为4.30%，R2为0.995[63]。

由于IPR代表产量与井底流压（FBHP）之间的相关性，准确预测该参数是评估井筒性能的重要方面。FBHP是一个直接影响油管尺寸、井口配置和生产优化的重要参数[64]。传统多相流模型通常依赖于假设和大量输入参数，这可能影响准确性。ML模型通过提供数据驱动的自适应解决方案来克服这些局限性，用于FBHP预测。Osman实施了一个ANN模型，使用206个中东油井现场数据集来预测垂直多相流中的BHP和压降。该模型R2达到0.9735，MARE为7.14%，RMSE为2.80。随后被用于趋势分析，证实其能够复制物理过程及独立变量与BHP之间的关系[65]。近期，Spesivtsev等人在瞬态井筒流动模拟上训练了一个两层ANN模型。对于大多数井筒配置，BHP的归一化均方根误差<5%。此外，该模型在噪声数据条件下也被证明是准确的，95%的误差保持在7%以内，尽管在段塞流工况下由于流动瞬态导致误差略高[66]。Ahmadi和Chen的研究利用混合遗传算法和粒子群优化（HGAPSO）作为元启发式算法，开发ANN模型预测直井BHP。研究人员使用其HGAPSO-ANN模型实现了MSE为0.00298、R2为0.9934的结果，优于BP-ANN、遗传算法、ICA-ANN和PSO-ANN模型。所提出的方法表现出高精度和低不确定率，使其适用于商业石油软件[67]。与此同时，Goliatt等人开发了一种混合模型，将四种ML技术——极限学习机（ELM）、SVR、极端梯度提升（XGB）和多变量自适应回归样条（MARS）——与自然启发式差分进化（DE）优化相结合，用于FBHP预测。结果表明，在不进行特征选择的情况下，MARS和XGB模型取得了最佳性能。此外，使用MARS模型获得了最佳平均性能指标（R2 = 0.88，MAPE = 3.12%）。所提出的方法能够创建具有不同输入特征集的多个替代模型[68]。Sami和Ibrahim比较了ANN、KNN和RF在多相流FBHP预测中的应用。ANN模型表现出最高精度，MSE为2.5%，R2为0.93，优于KNN（MSE 3.6%，R2 0.86）和RF（MSE 4%，R2 0.83）。该研究表明，ANN能有效表征石油过程中发生的复杂非线性关系[69]。Khamehchi和Bemani开发GTB和ELM模型用于垂直井和斜井BHP预测。其模型在伊朗油田458个真实BHP值上训练，GTB达到R2 = 1，ELM达到R2 = 0.999。GTB在训练和测试阶段均持续优于ELM。敏感性分析确定了Pwh、TVD和MD为最有影响力的变量，而产水量的影响极小[70]。

另一个监测生产性能的过程是多相流量计量。Alarifi创建了一个ML模型，在临界和亚临界多相流条件下预测井口节流阀流量方面超越了传统工业公式。本研究使用复杂工作流程构建了节流阀性能预测模型。模型验证过程使用了来自多个油田的4475个真实产量数据点。研究结果表明，ML技术在临界和亚临界流动条件下的预测精度高于已建立的公式，平均R2为0.92[71]。Dhaif等人的研究团队使用自适应网络模糊推理系统（ANFIS）和功能网络（FN）开发了高GOR和高WC井的产量预测模型。研究数据来自中东油田井筒，GOR值在1000至9351 scf/stb之间，含水率在1%至60%之间。总共纳入300口临界流井和150口亚临界井。开发过程采用了分别为临界和亚临界流动条件设计独立AI模型的策略。专用于亚临界流预测的ANFIS和FN模型分别达到R2值为0.9和0.93。对于临界流，两个模型的R2值分别为0.95和0.93。所有开发的AI模型均优于先前发表的公式，改善了34%[72]。Farag和Aly针对高GOR和高WC储层进行了另一项研究，提出了数据驱动多相虚拟流量计（DD-MVFM）系统用于多相流量估计。DD-MVFM系统利用现有硬件网络监测井口区域的基本参数，如温度和压力。数据来自科威特石油公司和斯伦贝谢公司。所提出的DD-MVFM使用LightGBM和GBDT算法表现出优异的预测能力，整体预测准确率达到85%[73]。

总体而言，FBHP的预测可以通过图6中的进化特征和模型选择框架来解释。输入参数的推导基于井筒数据，ML模型的内部参数以向量表示。对于输入特征，使用二进制掩码来选择哪些特征纳入模型（值为1）以及哪些不纳入（值为0）。该问题被视为增量学习问题，任务是在同时发现合适输入特征和最佳ML内部参数的同时进行优化。这一挑战通过应用智能搜索算法来解决。主要创新在于利用进化过程找到最重要的特征，最精确的模型即为最优解。

下载：下载高分辨率图片（573KB）
下载：下载完整尺寸图片
图6 利用ML进行BHP预测。

改编自 Goliatt 等人 [68]。所审阅的研究（表 3）显示，人们越来越感兴趣于在油气藏中利用机器学习技术进行生产流入动态关系（IPR）建模、井底流压（BHP）预测和井绩效分析。从人工神经网络（ANN）到 HGAPSO-ANN 等混合算法，机器学习模型的准确性始终优于传统方法的实证结果。它使工程师能够自动化数据处理，根据成本和生产策略优化井操作，并完善相关性以捕捉复杂的非线性关系。随着机器学习能力的提升，它们将成为未来油气藏管理石油软件的一部分。

表 3. 机器学习井绩效分析总结。

| 参考文献 | 机器学习模型 | 数据来源 | 数据集 | 结果 | 重要参数 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| [60] | 反向传播网络和模糊逻辑 | 多个油井 | 207 个数据点 | 模糊逻辑模型表现优异，平均绝对误差为 0.018，R2为 0.997 | 油、水、气流量，压力，石油 API 密度，井底流压 |
| [16] | 支持向量机（SVM）和粒子群优化（PSO） | Eclipse 模拟器 | 10,000 个数据点 | 与实测数据相比，新的 IPR 实现了 2% 的绝对误差范围 | 归一化水平井长度，储能系数比，孔隙间流动系数，无量纲压力 |
| [61] | Lasso 和 Ridge 回归 | 乌卡亚利和马德雷·德·迪奥斯盆地的油田。使用 SCADA 系统。 | >150,000 个数据集 | 开发了具有强预测准确性的 IPR 曲线 | 日期时间，井口压力，气体流量 |
| [62] | 非线性回归 | - | 225 个场景 | 新的 IPR 实现了 R2为 0.998，平均绝对误差为 1.54% | 裂缝数量，裂缝尺寸，裂缝导流能力，油藏渗透率及各向异性 |
| [65] | 基于 BP 的 ANN 模型 | 中东不同油田 | 206 个数据集 | 实现了 R2为 0.9735 和 RMSE = 2.8013 | 油、水、气流量，管道直径，管道长度，井口压力，石油比重，API，井筒温度，井底温度 |
| [66] | 两层 ANN 模型 | 数值模拟器 | 3500 个数据集 | 归一化 RMSE < 5%，尽管存在段塞流制度复杂性，但 95% 的误差在 7% 以下 | 井口压力，油、水、气地面流量 |
| [69] | ANN、KNN 和随机森林（RF）模型 | 中东油田；206 个多相流数据点 | 206 个数据点 | ANN 表现优异，MSE 为 2.5%，R2为 0.93 | 井底流压，油、水、气流量，油管内径，井射孔深度，石油比重，井筒温度，井底温度，井口压力 |
| [70] | 梯度提升树（GTB）和极限学习机（ELM）模型 | 伊朗油田 | 458 个数据集 | GTB 表现优异，R2 = 1 (GTB)，MRE – 0.72% | 井口压力，油、水、气流量，平均偏差，平均角度，测量深度，垂直深度，井底流压 |
| [71] | ANN 和传统相关式 | 252 口井 | 4475 个数据集 | ANN 表现优异，临界和亚临界流 R2为 0.92 | 油流量，含水率，气油比，温度，节流阀尺寸，井口压力，下游压力，气液比 |
| [72] | ANFIS 和模糊神经网络（FN）模型 | 中东油田 | 550 个数据点 | FN 表现优异，R2 = 0.93, RMSE = 0.19 | 气油比，含水率，井底流压，节流阀尺寸，测试分离器压力，油流量 |
| [68] | ELM, SVR, XGBoost 和 MARS | 165 个样本 | 165 个样本 | MARS 模型表现优异，R = 0.94, R2 = 0.88, RMSE= 97.88, MAE= 74.69, and MAPE= 3.12% | 井底流压，油管内径，油、水、气流量，石油密度，钻井深度，井下温度，井筒温度，井口压力 |
| [73] | LightGBM, GBDT, RF, XGBoost, 前馈神经网络（FFNN） | 科威特油田 | 10 口井 - 220 个数据点 | DD-MVFM 实现了 85% 的预测成功率 | 井口压力，井口温度，流程线压力，节流阀，气油比，比重，液量流量，含水率 |
| [74] | PSO-ANN, ANN, FFNN, RBF | 已发表的现场数据；具有多相流自喷垂直井 | 206 个数据点 | PSO-ANN 实现了 R2 = 0.98 和训练 AAPE = 2.0%；测试 AAPE = 3.1%。提出的方程实现了 R2 = 0.983 和 AAPE = 2.566% | 深度，油流量，气流量，水流量，油管 ID，API，地表温度，井底温度，井口压力 |
| [75] | ANN-BP, ANN-GA-BP, ANN-PSO-BP, ANN-GWO-BP | 阿尔及利亚油田 | 125 个收集；100 个过滤数据集 | ANN-GWO-BP 表现最佳，AARE = 4.64%, R2 = 0.9968, SD = 6.90% | 油流量，气流量，水流量，石油比重，气体比重，深度，油管 ID，井口温度，井口压力，气油比 |
| [76] | 多元线性回归，线性混合效应模型，XGBoost | 澳大利亚昆士兰的 91 口煤层气井 | 来自 91 口井的 16,007 个每日观测值 | XGBoost 表现最佳，多井预测的 RMSE = 115 kPa 和 MAPE = 11.7% | 泵扭矩，泵速，气流量，水流量，油管压力，泵吸入口深度 |
| [77] | AdaBoost-SVR, MARS, RBFNN, MLP-LM, MLP-BR, MLP-SCG | 文献衍生的真实现场井口节流数据 | 565 个数据点 | AdaBoost-SVR 表现最佳，AAPRE = 5.15%, RMSE = 643.38, 和 R2 = 0.9784 | 井口压力，气液比，节流阀尺寸 |
| [78] | 多样化神经网络集成，集成学习，自适应模拟退火，Meta-NN, 加权平均（WA）, 简单平均（SA） | 来自四个具有共同计量基础设施的油气井的实际试井数据 | 16 个月内收集的 238 个试井样本 | 提出的集成 VFM 实现了液量流量平均误差 4.7%，气量流量 2.4%。WA 和 Meta-NN 优于 SA。与单个 NN 相比，集成模型显著提高了预测精度 | 井下压力，井口温度，井口压力，节流阀开度百分比 |

2.3 流动保障
在石油生产工程中，流动保障是一个重要领域，旨在确保流体在整个油藏、井筒、管道直至销售点的连续流动。开发流动保障的方案和技术对烃类输送至关重要；因此，它是提高油田生产能力的一个重要领域。尽管通常由主题专家管理流动保障，但机器学习工具的实施是可行且有用的。

阻止流体连续流动的最常见问题之一是水合物的形成。水合物形成会堵塞管道并中断流动路径，有效地停止大部分流动。防止水合物形成的常见做法是预测其形成时间。了解形成条件（例如温度和压力值）以避免水合物形成也很重要。在这种情况下，Karak?se 和 Yücel [79] 应用机器学习工具来预测形成条件。他们使用线性回归、人工神经网络和广义可加模型来预测水合物形成条件，并使用随机森林技术进行交叉检查以提高准确性。此类机器学习应用可以提供关键信息以增强管道中的流体流动。El-Hoshoudy 等人 [80] 开发了一个与人工神经网络耦合的特定数学模型，用于预测气水合物形成温度。他们的 ANN 模型在包含来自不同井的气水合物形成温度和压力的各种数据的 1469 个数据集上进行了训练。除了预测水合物形成条件外，Osei 等人 [81] 还回顾了各种机器学习模型在气水合物管理中的使用。作者提到了使用人工神经网络、模糊逻辑模型和各种回归模型来分析不同条件下的气水合物相行为。这包括源自各种天然气和无机气体的水合物。与其他气水合物相关的机器学习进展由 Rebai 等人 [82] 进行了研究，他们得出结论，使用 ANN 模型提高了现有热力学模型在评估气水合物相行为方面的准确性。Qin 等人开发了作为流动障碍的气水合物形成的一般预测模型。在这项工作中，作者提到了使用 ANN 和 SVC 来分析墨西哥湾的数据集。该机器学习模型显示出令人满意的准确度水平，作者得出结论，此类模型适用于水合物评估至关重要的复杂过程，例如海底管道或瞬态多相流中的水合物形成管理 [83]。

在生产工程中验证流体流动不间断的一种方法是确保管道完整性保持稳定。多种因素会降低管道中的流体流动效率，包括腐蚀和潜在泄漏点。为了解决此类管道相关问题，了解这些问题的潜在来源和预防方法很重要。Amadhe 等人 [84] 回顾了机器学习工具在管道完整性管理中的使用。确定性、统计、基于知识和模糊逻辑等机器学习模型被用于预测碳钢管道中的腐蚀发生和潜在泄漏点。此外，他们提到了使用马尔可夫链模型、贝叶斯推理和回归模型，利用管段的各种物理数据来预测腐蚀速率。综述作者还指出，数据的缺乏可以通过应用概率模型来克服，该模型可以预测腐蚀的可能发生点 [84]。这些各种机器学习工具的应用可用于评估流动潜在障碍。在另一项研究中，描述了一种基于数字孪生的系统，用于检测天然气管道泄漏点的尺寸和位置。Al-Ammari 等人 [85] 提出了一种基于数字孪生的数据驱动模型，使用 ANN 等机器学习工具进行训练，以预测流动参数并检测这些参数显示异常的位置，从而预测泄漏点位置。

用于流动保障的机器学习工具也可用于各种沉淀相关操作。例如，如果未及时处理，沥青质沉淀可能会成为流体流动的严重障碍。在这方面，几项研究探讨了使用机器学习工具优化沥青质沉淀处理的方法。例如，Yerkenov 等人 [86] 开发了一个群体平衡模型，用于预测在沥青回收过程中的石蜡注入期间沥青质沉淀的形成。该模型应用了 SVM、决策树、随机森林和委员会机器学习方法处理来自文献的 590 个数据点。在另一项研究中，使用随机森林和梯度提升机评估了沥青质沉淀，以建立沉淀与降压期间温度变化之间的关系 [87]。通过对文献数据进行随机森林算法训练和对测试集进行梯度提升机验证，得出的结论是该模型可以准确预测随温度变化的沥青质沉淀 [87]。生产中流动的另一个可能障碍是蜡析出，它可能堵塞流体流动并在管道中造成一般性障碍。最近，使用机器学习工具预测蜡析出的新方法取得了进展。Nait Amar 等人构建了具有多层感知器的强大模型，并通过 Levenberg-Marquardt 和贝叶斯正则化算法进行了优化，发现 R2 为 0.997，RMSE 为 0.22，这对于预测不同燃料生产条件下沉积蜡的重量百分比非常有用 [88]。后来，Kouhi 等人 [89] 提出了三种预测蜡析出温度（WAT）的方法，这些方法利用了最小二乘支持向量机（LSSVM）、循环神经网络和自适应神经模糊推理系统等多种机器学习工具。他们的预测模型在 81 个数据集上进行了训练，LSSVM 模型显示了最精确的 WAT 预测结果。在另一项关于蜡形成预测的研究中，预测模型是基于高压条件下的 WAT 实验数据构建的，并利用随机森林和神经网络系统等机器学习工具 [90]。

最近的研究表明，流动保障中的机器学习应用正从简单预测水合物、蜡、沥青质和腐蚀行为转向实时、混合和现场可部署的决策支持系统。对于水合物管理，数字孪生和混合机器学习模型已被用于预测水合物增长、堵塞风险、乙二醇（MEG）抑制要求以及非计划停机期间的冷却时间。对于蜡沉积，基于 SCADA 的时间序列模型和基于组成的机器学习框架通过使用现场、实验室和文献数据集提高了蜡厚度和蜡沉积预测。同样，最近的腐蚀和管道完整性研究应用了随机森林、XGBoost、LightGBM 和其他集成模型来预测 CO?腐蚀速率、腐蚀严重程度、泄漏和持液量。这些更新的研究表明，机器学习不仅越来越多地用于离线预测，还用于复杂生产和管道系统中的运行监控、风险评估和流动保障优化。

这些伴随流动保障问题（如水合物形成、蜡和沥青质沉积以及管道完整性风险）的挑战，过去一直且将继续通过机器学习得到密集解决。诸如人工神经网络、支持向量机、决策树和混合框架等模型已在现场和实验室数据中有效使用，具有良好的预测能力和可扩展性。表 4 简要概述了这些应用、模型类型及其有效性能。尽管数据质量和部署问题仍然存在，但机器学习正在成为复杂生产系统中智能流动保障的有力、可信工具。

表 4。

流保障中ML工具应用的总结

| 参考文献 | ML模型 | 数据来源 | 数据集 | 结果 | 重要参数 |
|---|---|---|---|---|---|
| [80] | ANN | 天然气-纯水系统 | 1469个数据点 | 用于天然气水合物温度确定的ANN模型显示了高精度，相对误差为-0.0005% | 气体水合物形成压力、温度、比重以及Katz图表数据 |
| [86] | SVM、决策树、RF、委员会机器智能系统 | 来自8种文献来源的数据 | 590个数据样本 | 委员会机器智能系统表现最优，RMSE为1.7% | 操作参数、油品参数和反溶剂特性 |
| [87] | RF、梯度提升机 | 10个油样品的文献数据 | 10个原油样本的数据集 | 发现重质组分含量高、API值低的原油会导致随温度升高而增加沥青质沉淀 | 原油样品的高压高温数据 |
| [79] | 线性回归、ANN、广义可加模型、RF、决策树回归 | DNV GasVLe软件生成的数据 | 203,820个观测值的数据集 | 决策树回归显示了最准确的结果，R2为0.999 | 天然气组分化学成分的统计摘要和各种物理数据 |
| [81] | ANNs、模糊逻辑和各种回归模型 | 文献中关于各种天然气系统的数据 | 各种天然气系统的500至1000个数据点 | ML模型被用于分析各种数据以预测气体水合物的相行为和相参数 | 天然气系统的物理性质 |
| [84] | 确定性、统计、基于知识和概率模型；马尔可夫链、贝叶斯推断、各种回归模型 | 实验、模拟和现场数据 | 取决于模型训练所使用的数据来源 | 成功建立了预测腐蚀发生、腐蚀速率和可能泄漏点的模型 | 现场测试和管段数据 |
| [85] | 数字孪生、ANN | 孟加拉湾海上天然气管道的模拟管道剖面 | 1161个管道流数据集 | 提出的数字孪生模型应用于现场案例研究。结果显示，泄漏预测系统产生了零误报和小于3.21%的绝对误差 | 泄漏数据、关键管道参数、管道直径、流速和压力条件 |
| [89] | LSSVM、循环神经网络和自适应神经模糊推理系统 | 实验WAT确定的文献数据 | 81个带有实验WAT数据的数据集 | 基于LSSVM构建的预测模型在预测蜡析出温度方面最准确，R2为-0.9893，RMSE为0.1655，AARD为9% | 油品密度、倾点和蜡含量 |
| [90] | RF、深度学习、ANN | PVT实验数据，获取WAT数据 | 5个带有实验结果的数据集 | 建立并验证了预测WAT的模型，石蜡含量范围为11.245%至21.625%，R2为0.998 | 压力值、石蜡含量和系统中的烃类组成 |
| [91] | 数字孪生、ML/数据聚类 | Fenja油田+模拟 | 34,000个DTS数据点；约40个泄漏特征 | 1%泄漏在1小时内报警；>3%泄漏在15分钟内报警 | 压力、流量、温度、DTS、阀门/节流阀、MEG、ETH功率 |
| [92] | 混合LR、RidgeClassifier、LDA | 3W数据集+ALFAsim | 2228个实例；917训练/227测试 | 平衡准确率0.937；F1为0.811；F2为0.906 | PDG/TPT压力与温度、节流压力、BSW、GOR、流量、过冷度 |
| [88] | MLP-LMA、MLP-BR | 实验蜡数据 | 88个点 | RMSE 0.2198；R2 0.9974 | 温度、比重、C1-C3至C30+ |
| [83] | PINN、DNN | 中试规模水合物流回环数据 | 4563个测量值；3584训练/979测试 | PINN堵塞准确率98.67%；DNN1为94.99% | 含水率、流速、GOR、比重、粘度、界面张力、时间、压力与温度、HVF、ΔPr |
| [93] | Transformer-LSTM-VAE | 高压可视化流回环 | 27次测试；509,494个数据条目 | F1-score 0.969；AUC 0.91；召回率0.9808 | ΔP、Tin、Tout、密度、Qm、WCF、LL、OWR、泵速、倾角、过冷度 |
| [94] | 堆叠自编码器 | OLGA气体管道模拟 | 400个OLGA案例；4000个数据集；2,460,000个数据点 | 最大水合物体积R2为97%；形成位置R2为99% | 质量流量、进出口压力、进出口温度 |
| [1] | LSTM-RNN + PSO-BP、CPSO-BP、ACPSO-BP | 中国原油管道的SCADA数据 | 4年内超过1460个数据集；1250个训练样本 | LSTM-RNN R2为0.9123；ACPSO-BP平均蜡误差为2.43 mm | 油温、压力、流量、粘度、密度、土壤温度、自清管以来的时间 |
| [95] | 混合SVM + 2个ANNs替代模型 | OLGA海底管道关井模拟 | 训练：530-2650个点；测试：300个点 | 高风险NRMSE改善约15%；比OLGA快178.6倍 | FPSO进口压力、油量流量、GOR、含水率、集输温度 |
| [96] | RF、KNN、GBDT、SVM、XGBoost、LightGBM | 文献CO?腐蚀数据 | 41篇文章的248个样本 | 最佳RF：R2训练0.92，测试0.88；严重性准确率99%，F1为0.99 | 材料、Cr含量、H?O、O?、SO?、NO?、H?S、压力、温度、时间 |
| [97] | RF、XGBoost、PINN | 来自原油样品的实验蜡沉积数据 | 15种原油的88个样本 | 最佳XGBoost：R2训练0.957，测试0.813；MAE为0.095-0.258 | C1-C3、C4-C7、C8-C15、C16-C22、C23-C29、C30+、比重、温度、压力、WACN、LCHR |

## 2.4 人工举升系统

人工举升系统（ALS）是一系列生产方法和技术，通过提供额外机制来增强烃类流动。多年来，ALS一直是石油生产中的一个重要方面。大多数油井依赖于ALS机制，因为它们无法自然地将油举升到地面。ALS通过改变井底压力，从而将烃类内容物举升到地面。现场广泛使用的典型ALS技术包括气举、电动潜水泵（ESP）、螺杆泵（PCP）和有杆泵（SRP）[8]。如今，ML工具在ALS优化中的应用拓展了可能性并对现场产生了积极影响。

ML工具在ALS工作增强中最广泛的应用之一是预测建模。利用各种类型的数据，ANN和深度学习算法等ML模型可用于识别潜在ALS改进的模式。经过适当的解释，可以优化举升系统以避免ALS故障，从而对产能产生积极影响。例如，埃克森美孚已实施了用于气举优化的监督ML模型，使巴肯盆地1300口井的石油产量提高了2.0% [98]。此外，ML工具的应用还能实现对气举作业所需注气量的预测。2024年，此类ML模型被整合到Bakken油田，使30口井的产量提高了5%。该模型利用气举性能曲线来预测能够实现最高效生产率的注气量 [99]。

将ALS应用于油井取决于其性能和提高产量的能力。在这种情况下，ML工具可用于预测ALS性能。例如，Elgibaly等人开发了一种基于ANN的模型来预测气举性能。该模型使用了与井参数相关的多个输入变量和埃及2900口井的数据。所开发的模型成功预测了气举在最优生产率下所需的注气量 [100]。

ML在另一领域的应用是特定举升系统产量流率的预测建模。例如，一个案例研究应用了人工神经模糊推理系统和SVR ML工具，为使用气举系统的特定油田开发了ANNs [101]。此类预测系统可以利用数据来识别预测油井产油量的相关性。该模型可用于比较在生产井设计阶段使用的经验相关性或数学模型，验证其准确性，或反之亦然。除了气举之外，先前的研究还关注了使用电动潜水泵（ESP）的井的产量预测。Agwu等人基于中东使用ESP操作的275个数据点开发了一个神经网络。该ANN模型显示了很高的预测准确率 [102]。

为人工举升操作最优地选择参数对于实现油井的最优生产率至关重要。当参数选择不是最优时，油井产量可能会下降。例如，错误的工作条件可能由于液体负荷、石蜡沉积或出砂而造损坏。此外，这些后果还会为人工举升性能带来障碍，降低其效率并损坏设备。因此，使用机器学习进行最优参数调整在现场得到了应用 [103]。例如，Li等人提出了一种监督方法，使用快速黑洞谱聚类（FBH-SC）来分析井下工作条件，用于有杆泵系统的故障诊断 [104]。在Starke等人的一项研究中，使用图神经网络开发了一个用于PCP系统中泵尺寸选择的推荐模型。该模型使用了现场使用PCP的11,673个数据点。所开发的模型非常有用，因为它加速了泵尺寸选择的过程 [105]。

ML工具还可以改进举升系统选择过程。预测模型使用来自特定数据集的数据，这些数据按使用某种举升系统的井的生命周期进行排序 [106]。此类模型的应用可以延长举升系统的生命周期，从而为生产带来经济效益。此外，结合主题专业知识来调整此类ML工具，或使用另一种ML工具来分析在某些情况下最合适的举升系统的数据，可以使整个举升选择过程受益。例如，Mahdi等人强调了使用监督ML模型来改进ALS选择的可能性 [8]。Ounsakul等人 [106] 使用Na?ve Bayes、决策树和ANNs等各种ML工具，对30,000个油井样本进行了分析，以训练模型用于游梁式抽油机、气举、ESP和PCP的选择标准。

ML工具对于预测气举系统的某些参数也很有效，例如流动井底压力。识别此类参数的传统方法往往由于数据表征不准确而导致误差。Jin等人通过将ANN模型与多相流物理相结合，利用巴肯盆地16个深页岩油储层的真实现场数据解决了此类问题。结果表明，用于井底压力（FBHP）预测的ML系统调整是成功的 [107]。另一个可以使用ML工具预测的参数是油管压力。Sami使用了多种ML工具，包括决策树、RF和梯度提升，来预测间歇气举井的油管压力。作者开发的模型基于Algyo油井的9594个测试数据。RF和决策树模型在间歇气举井油管压力预测中显示了最高的准确率 [108]。

ESP是最常用的ALS之一。使用ML工具进行ESP工作优化近年来已变得非常普遍。有大量旨在通过ML优化ESP的研究。例如，Yudin等人的研究报道了使用基于机器学习的异常检测模型可以提高整体性能效率。所提出的模型利用动态时间规整（DTW）对ESP中的异常模式进行分类。该模型在西西伯利亚的1667个油井数据点上进行了测试，准确率达到了93% [109]。另一项研究提出了一种基于深度学习的模型，用于预测ESP在粘性和气液流动条件下的性能 [110]。该模型建立在多种ML工具之上，包括广义可加模型（GAM）、支持向量回归（SVR）、高斯过程回归（GPR）、径向基函数（RBF）、极限梯度提升（XGBoost）、核岭回归（KRR）和全连接神经网络（FNN）。输入参数为流量、气液比和泵输出性能参数。结果表明，该模型准确、成本效益高，并显示了增强的适应性。

总体而言，所回顾的研究表明，机器学习正成为通过预测、优化、故障诊断和系统选择来改进人工举升性能的重要工具。在气举、ESP、PCP和SRP应用中，ANN、SVM、RF、决策树、XGBoost和深度学习等模型已被用于预测产量、注气量、油管压力、井底压力、泵性能和工作状态。如表5所总结的，这些研究表明ML可以支持更可靠的举升系统选择，改进操作参数调整，减少设备故障风险，并在不同的现场条件下提高生产效率。

表5。

机器学习工具在人工举升系统优化中的应用。表5列出了相关研究综述。

| 文献 | 机器学习模型 | 研究领域 | ALS类型 | 重要参数 | 数据点数量 | 主要发现 |
|------|-------------|---------|---------|---------|-----------|---------|
| [104] | 快速黑洞-谱聚类 | SRP系统故障预测 | 游梁式抽油机 | 示功图数据 | 5个数据集（126份示功图数据） | 使用机器学习分析运行参数，防止因液堵、出砂和石蜡沉积导致的产量下降。 |
| [106] | 监督式机器学习模型、朴素贝叶斯模型、决策树、人工神经网络 | 人工举升系统选择 | 游梁式抽油机、气举、电潜泵和螺杆泵 | 井参数、生产条件、流体性质、储层特性、地面设施 | 包含30,000个井样本的数据集 | 通过机器学习分析井样本，优化了游梁式抽油机、气举、电潜泵和螺杆泵的ALS选择标准。 |
| [101] | 人工神经模糊推理、支持向量机 | 气举系统中产油量 | 气举 | 井口参数 | 包含1500个分离器测试点的数据集 | 评估产油量的人工神经模糊预测网络在所有模型中最为精确。此外，本研究提出了一个适用于所有情况的公式。 |
| [100] | 人工神经网络 | 气举性能预测 | 气举 | 井口参数、注气量和上下游压力 | 2900个数据点 | 建立了预测模型，用于预测最优产量对应的气注入量。 |
| [108] | 随机森林、决策树、K最近邻 | 间歇性气举井油管压力 | 气举 | 井口温度和压力、套管地面压力、油管温度、循环时间、注气时间、油管直径和油密度 | 来自Algyo油田的9594个数据点 | 基于机器学习工具开发的模型达到R2 = 0.99。 |
| [105] | 图神经网络 | 泵尺寸选择 | 螺杆泵 | 管材类型、公称管径、管道几何形状和泵效率 | 11,673个数据点 | 开发了泵尺寸选择模型，被认为是一个良好的推荐系统，可加速选择过程。 |
| [102] | 人工神经网络 | ESP井产量预测 | 电潜泵 | 节流阀尺寸、上游压力、下游压力、泵入口压力、泵出口压力、入口温度、出口温度、气油比、套管头压力 | 275个数据点 | 用于预测产油量的人工神经网络模型达到了高精度，发现对精度影响最大的参数是节流阀尺寸和上游压力，而套管头压力影响最小。 |
| [109] | 动态时间规整 | ESP性能异常检测 | 电潜泵 | 每口井的原始时间序列、电机负载和频率 | 1667个数据点 | 开发并验证了异常检测模型，达到R2 = 0.93，预测准确。 |
| [111] | NN-LBFGS；16种机器学习模型 | 埃及西部沙漠 | 气举 | ID、TD、PD、WHP、RT、GOR、WC、OGIP、GLIR、IPD、FFR | 304口井；3648个数据点 | 最佳模型R2 = 0.965；盲测R2 = 0.97。 |
| [107] | 物理驱动ANN、数据驱动ANN、K-means-ANN | 德克萨斯州Permian盆地 | 气举 | 流体性质、井深、气举阀深度、WHP、WHT、总产液量、GLR、WOR | 16口井；10,000个模拟数据点 | 物理驱动ANN表现最佳；NMAE = 10.4%。 |
| [112] | PCA-LSTM；ARIMA、GBDT | North Buzachi / Northern Zhachi油田，煤层气井 | ESP | CPTP、泵电流、振动、MT、PLR、GLR | 85口井；2019年至2022年日度数据 | PCA-LSTM达到86.79%的接受率和72.22%的验证精度。 |
| [113] | DA-RNN；RNN、LSTM、GRU、Transformer | 渤海海上油田 | ESP | OP、CP、PIP、POP、PIT、MT、电流、电压、频率、功率、油量、气量、水量、产液量、GOR | 712口ESP井 | DA-RNN预测ESP剩余寿命，平均误差小于28天。 |
| [114] | MCSA + CNN + LSTM + 注意力机制；PCA-CNN | 中国渤海PL油田 | ESP | 电机电流信号、FFT频谱、PCA特征、转速、滑差、MCSA故障频率 | 500个实验室数据集；7口ESP井 | 融合模型达到87.4%的测试精度，并能在故障发生前检测故障。 |
| [115] | CatBoost、ExtraTrees；SVM、MLP；IF + PCA | 拥有7口ESP井的油田 | ESP | 入口压力、出口压力、入口温度、MT、振动X/Y、电流、电压、滚动特征 | 87,390条记录；83,020条最终记录 | CatBoost达到94.2%的精度和96.5%的故障类别召回率。 |
| [116] | PGSS + RF回归 + DNN | 中国东北油田 | SRP / SRP | 电机功率、时间数据、估计井径、载荷、排量 | 10个SRP平台；67个冲程；每冲程200个数据点 | PGSS-DNN诊断SRP故障，精度约93%。 |
| [117] | 逻辑回归、GB、RF、KNN、SVR、弹性网络 | 模拟海上成熟油田气举场景 | 气举 | WHP、GLIP、GLIR、GOR、WC、储层压力、井深、POI、油管ID | 5个数据集；5000个样本 | 逻辑回归F1 = 0.968；RF产液量MAPE = 2%。 |
| [6] | 模糊K-means集成；Ridge LR、MLP、XGBoost、LightGBM | 巴西盐下海上油田 | 含气举 | 节流阀P/T/Δp、WHP、WHT、Qo、Qg、GL、GOR、WC、PDG深度 | 60口井；107,235个样本 | 机器学习虚拟传感器估算BHP，误差小于2%。 |
| [118] | Lasso + RSF生存模型 | 南美成熟油田 | ESP | 入口/出口压力、MT、电流、VSD频率、振动、产率、停机时间、运行寿命 | 654个ESP安装；266口井 | 可提前预测ESP故障达90天；F1 = 0.79。 |
| [119] | 决策树、AdaBoost、RF、CNN、SVR、MLP-ANN、Lasso；SHAP | 伊拉克东南部油田 | 气举 | 含水率、节流阀尺寸、上游压力、气举阀深度、注气量、温度 | 169个样本 | RF表现最佳，R2 = 0.867，AARE = 8.76%。 |
| [120] | 混合物理模型 + XGBoost/LightGBM | 间歇运行ESP井 | ESP | 井斜、BHP、管道ID、流量、密度、WC、GOR、粗糙度、温度 | 1567次模拟；超过246,000条记录 | XGBoost段塞长度R2 = 0.974；气泡长度R2 = 0.973。 |
| [121] | TimeGAN + CNN-ResNet-RF | 中国新疆油田 | ESP | 电流特征、流体产量、动态液面、扭矩、电机转速、套管压力 | 360条真实记录；950个训练序列 | 精度 = 97.3%；Macro-F1 = 97.4%。 |
| [122] | ConvLSTM代理模型 + GPU-NSGA-III | 伊拉克油田 | 气举 | KH/KV、油密度、产油量、PERMMULT、PRESSTRAN、ROCKCOM、VRR、水粘度 | 27口井；3口气举候选井 | 气注入量减少84.6–84.7%，产量几乎不变。 |
| [123] | PHM引擎：ML + 领域/物理特征 + 神经网络状态检测器 + RUL模型 | 全球ESP群体；47台泵测试案例 | ESP | 驱动频率、电机电流/温度、PIP、PDP、VSD电压/电流、入口温度、油管头温度/压力 | 全球数百台泵；47台泵测试群体 | 80%的泵在高RoF期间发生故障；在47台泵测试中，85%在最后一周RoF > 0.7，排除差数据/灾难性案例后提高至94%。 |

2.5. 压井增产

压井增产是石油天然气行业中常用的做法，通过增强近井地带渗透率来提高产能。压井增产是该行业非常重要的一个方面[124]，特别是经过一定时期的开采后，因为井可能会受到地层损害、结垢沉积以及渗透率普遍下降和流体流动障碍的出现等影响。将机器学习工具应用于压井增产操作正受到越来越多的关注，因为有大量可能性来提高此类操作的效率并实现自动化[125,126]。

一种压井增产的方式是对基质进行增产。基质增产最常见的途径是酸化解堵。已有数项研究和论文对此进行了探讨。例如，Dargi等人应用了包括XGBoost、随机森林、人工神经网络和遗传编程在内的机器学习方法，预测酸化作业后渗透率的变化。他们的模型基于伊朗218口酸化井的数据进行训练，结论是遗传编程是最有效的方法[127]。利用机器学习工具，作者开发了一个准确预测酸化后渗透率的模型，并强调了这些工具在此类操作中的实用性。

另一种将机器学习工具用于基质酸化的方法是获取酸化后的预测模拟模型。例如，Ali等人描述了为具有溶洞和裂缝的白云岩储层建立酸化过程模型所面临的困难。作者指出，文献中缺乏足够的信息来构建合适的数学模型以了解酸化过程可能的结果。在这种情况下，作者使用基于高斯过程的代理模型来模拟现场条件下的基质酸化，并获取此类储层中的流体流动数据。所开发的模型还评估了酸的传播效率，显示在溶洞型储层中流体移动更快，酸液渗透更深[128]。

在井酸化过程中，存在若干情况导致所施加的酸化增产效果不佳。这对于砂岩地层尤为明显，其成功率低于55%。Kurniawan等人应用了包括监督式机器学习模型（逻辑回归）、决策树和随机森林在内的多种机器学习工具，预测裂缝型砂岩地层中基质酸化的成功率[129]。结果表明，基质酸化成功率预测模型以随机森林模型表现最佳，达到了73%的精确度。

文献中的一些方法旨在利用机器学习工具选择最合适的井增产策略，使增产作业后获得最高的恢复率。例如，Yang等人开发了一个数据驱动模型来预测关键绩效指标并验证增产技术是否高效。在本次研究中，作者使用贝叶斯网络机器学习模型评估显示井增产效率的关键指标[130]。Kniazev等人的另一项研究探讨了两种基于历史数据训练的梯度提升模型选择井增产策略的能力。第一个模型旨在验证井增产的必要性，第二个模型则确定哪种增产处理方式最适合该井[131]。

一种被广泛应用且被证明高效的井增产技术是水力压裂。水力压裂是一种通过注入高压流体产生微小裂缝从而从致密层中采出油气的方法。然而，水力压裂需要完善的设计与策略。在此背景下，领域专家和研究者应用机器学习工具来提高这种井增产方法的效率。

在Wang等人的文章[132]中，作者使用机器学习算法对非常规储层中的水力压裂增产进行了全面分析，并开发了增产后井产能的精确预测模型。作者使用支持向量机、随机森林、AdaBoost和神经网络来评估第一年的产量值。结果表明，随机森林模型表现最佳，作者推荐将其用于其他类型的储层。除了预测增产后的产能外，还有一些研究直接将机器学习应用于裂缝表征。Kalyuzhnyuk等人[133]使用神经网络代理模型来重现稳态裂缝增长，Filippov等人[134]使用机器学习方法重现储层压力以研究其在水力压裂过程中对裂缝形成的影响。Zhao和Gray[135]将解析分析与机器学习相结合，预测水力压裂引起的天然裂缝滑移，而Teixeira Silveira等人[136]训练人工神经网络来预测水力裂缝与天然裂缝的相互作用，并报告其与解析和数值解的一致性。为了应对优化裂缝参数的高计算成本，Wang等人[137]建立了一个混合代理模型，结合高斯过程回归、径向基函数网络和支持向量回归，以优化天然裂缝页岩气储层中水平井间距和水力压裂压裂阶段布置，而Xiao等人[138]比较了径向基函数、KNN和MLP代理模型用于多级压裂优化，发现径向基函数和MLP模型优于KNN。

机器学习也被应用于压裂返排阶段和支撑剂管理。Li等人[139]开发了一个增强残差深度学习网络来优化返排喷嘴直径并限制支撑剂返排，Liu等人[140]利用威远地区286口页岩气井的数据构建了深度学习模型来预测返排量。对于支撑剂布放，Maity和Ciezobka[141]开发了一个ANN/KNN/SVM工作流程来识别和分类Permian盆地地下样品中的支撑剂颗粒位置，而Hou等人[142]提出了一种数据驱动的支撑剂填充指数，使用GRU和随机森林模型，将数值方法和集成学习方法相结合以实现支撑剂注入的实时评估。

Karami等人[143]重点关注了机器学习在裂缝宽度预测评估中的应用。在该研究中，作者使用人工神经网络、随机森林和KNN基于地质参数预测所需的裂缝宽度。基于随机森林的预测模型被发现最为精确，在预测裂缝宽度时达到97.9%的准确率。

机器学习已被证明对水力压裂和基质酸化的最优井增产方案制定非常有用。随机森林、神经网络、高斯过程模型和梯度提升是用于预测增产后渗透率、酸化效率、成功概率和裂缝相关参数的技术之一。这些模型减少了不确定性，改善了处理模式，并提高了采收率。表6总结了近期研究表明，将机器学习应用于自动化和优化井增产仍是一个不断发展的领域。

表6. 机器学习工具在井增产中的应用

| 文献 | 机器学习模型 | 研究领域 | 重要参数 | 数据点数量 | 主要发现 |
|------|-------------|---------|---------|-----------|---------|
| [132] | SVM、RF、AdaBoost和ANN | 水力压裂 | 井纬度、经度、TVD、水平段长度、井筒完井方式、井筒方向、支撑剂总量、压裂液总量、压裂液类型、压裂级数 | 361个数据点 | 基于RF的水力压裂增产后产能预测模型最为准确。 |

作者们的模型适用于非常规储层类型。[128]基于高斯过程的代理模型酸洗数据收集与酸化增产液效率评估注入速率、孔隙度、长度、X轴上的角度、裂缝数量、溶洞数量及溶洞半径36个数据点所开发的模型被应用于采集可靠的模拟数据并评估溶洞型储层中的酸液扩展，证明其效率高于均质储层。[129]逻辑回归、决策树和随机森林砂岩储层基质酸化成功率预测渗透率、孔隙度和酸用量72口酸化井数据集基于随机森林的模型精度为73%，建议用于预测砂岩储层的酸化成功情况。[127]XGBoost、随机森林、人工神经网络和遗传编程预测酸化增产技术后的渗透率值渗透率、孔隙度、表皮系数、方解石矿物含量、酸注入速率和注入酸量包含218次酸化作业的数据集基于218口井各种数据的预测模型被证明对预测酸化后渗透率值有用。[131]梯度提升模型井增产选择策略井增产预处理数据来自55,560口井的数据开发了两个模型。第一个模型评估井增产的必要性，第二个模型评估最有效的增产技术。[130]数据驱动模型、贝叶斯网络增产技术效率验证压力、渗透率、深度、孔隙度和气水饱和度20项地质、钻完井特征数据建立了一个基于历史数据训练并使用贝叶斯网络调优的数据驱动模型。该模型预测关键性能指标并分析施加于井上的增产技术效率。[143]ANN、随机森林和KNN算法裂缝宽度预测模型几何因素、剪切模量、泊松比、压裂液黏度、裂缝高度、流体效率、注入时间和裂缝长度9个变量的4000个数据点模型被证明是准确的，其中基于随机森林的模型最为精确，R2达到97.9%。[135]解析方法+机器学习HF诱导的自然裂缝滑移HF-NF相对角度、裂缝梯度、NF摩擦、应力差、深度、净压力—带有敏感性分析的机器学习对自然裂缝滑移的控制特征进行了排序[136]ANNHF-NF相互作用裂缝相互作用参数—ANN预测HF-NF相互作用；与解析/数值模型一致[137]GPR、RBF、SVR（混合代理模型）天然裂缝页岩气井间距+压裂段布控井间距、分段布控参数—混合代理模型优化了水平井间距和压裂段[138]RBF、KNN、MLP多段压裂优化，页岩气压裂设计参数—RBF和MLP在裂缝优化方面优于KNN[141]ANN、KNN、贝叶斯、SVM支撑剂检测/分类，二叠盆地地下裂缝样本数据—工作流程在现场识别和分类支撑剂颗粒位置[142]GRU、RF（集成模型）支撑剂注入评估支撑剂注入数据—数据驱动的支撑剂填充指数用于实时注入评估[144]随机森林EUR预测，伊格尔福特，考虑地质和压裂特性。>25个变量>4000口井RF大规模预测油气EUR[145]XGBoost关井与返排控制压力、产气率和产液量、深度、温度1238个压力数据；29口井XGBoost以R2=0.988预测井底流压；用于基于最优点的节流控制。[146]MLP支撑剂回流失控压力、产量、支撑剂粒径和类型、黏度1220个井底流压数据；197次实验室测试MLP以2.52%的误差预测井底流压；PBF板降低了支撑剂回流失控风险。[147]随机森林节流器尺寸性能产液量、气液比、节流器、压力、温度18,660条记录；37口井RF预测节流器性能；新相关关系适用于17.462–34.925 mm节流器。[142]GRU和RF集成模型支撑剂注入和桥塞风险应力、压力、泵量、支撑剂数据63段；>610,000组数据提出PFI；优化模型R2=0.85。[148]随机森林水返排预测TIV、支撑剂、厚度、深度、氮气量3579口井RF预测水返排量；最佳情况下R2=0.889。[149]OpenCV配合BiLSTM-MSA-BO支撑剂床形态预测流体速度、黏度、支撑剂粒径、密度、浓度模拟时间序列数据；20个测试案例OpenCV提取误差<2%。模型识别出层间上移、混合沉积和堆叠前移模式。[150]NN、AdaBoost、RF、KNN、GB。最佳：NN和AdaBoost支撑剂清洁过程中的井底压力预测CT井深、CT内径、井底温度、凝胶量、氮气体积、CT地面压力48口井的33,453个数据点NN和AdaBoost表现最佳，MAPE分别为1.7%和1.6%，R2分别为0.947和0.943。有助于实时支撑剂清洁优化。

2.6 生产工程中的PINNs

物理信息神经网络（PINNs）因其能够求解非线性偏微分方程（PDEs）并构建高效代理模型而成为研究热点。PINNs（图7）是一种将深度学习与数学物理相结合的新型神经网络框架[19]。

下载：下载高分辨率图像（161KB）下载：下载完整尺寸图像 图7. PINN模型结构。

Almajid和Abu-Alsaud用PINN来检测多孔介质中的流动模式。作者们使用物理流体流动演示了Buckley-Leverett问题的PINN建模。这些模型可以在没有数据集信息的情况下检测流动模式，并通过纳入观测结果实现极其准确的读数[151]。此后，作者们使用PINNs对多孔介质中的流体流动进行建模，并将其结果与ANN预测进行了比较。研究人员发现，当在涵盖早期和晚期行为的数据上进行训练时，ANNs表现与PINNs相当。然而，当仅有早期数据可用时，ANNs无法预测准确解，而PINNs仍能产生物理一致的结果。本研究将PINNs应用于建模充满水体的多孔介质中瓦斯抽采过程，通过将双曲型偏微分方程编码到TensorFlow的损失函数中实现[152]。

Buckley-Leverett问题也被Fraces和Tchelepi用于探索储层模拟中的物理信息深度学习。该研究回顾了不同的网络架构，发现Fourier、DGM和SiRen网络提供的改进有限。相比之下，将约束作为带适当权重的损失项添加显著改善了训练效果。他们的发现为二维问题设定了新的基准，但高维问题仍面临挑战[153]。Yoon和Harding进行了另一项关于流动和传输问题的研究。他们应用了物理信息神经网络（PINNs），使PDEs通过损失函数与机器学习相连。PINNs已被这些研究者评估，他们使用对流-弥散-反应方程和Darcy方程证明其性能优于独立的数据驱动模型，尽管用于预测所需的配置点更少。Yoon和Harding发现PINNs具有为地下地质力学问题开发准确替代模拟模型的已证实能力。当处理稀缺或有噪声的数据源时，深度学习算法通过基于物理的网络实现最佳的训练速度和性能[21]。

Pu等人[20]应用了基于PINN的方法，使用二维方程描述水力压裂处理后的致密储层内流动行为。在稳定性方面，该模型在噪声或低数据场景下的准确性方面优于传统深度神经网络（DNNs）。PINNs的准确性超过DNNs，小样本量不会影响预测质量。然而，该研究指出PINNs泛化能力差是一个主要局限。在一项相关研究中，Harp等人研究了物理信息机器学习（PIML）在储层压力管理方面的潜力。研究团队使用其PIML框架构建了一个注采作业流体提取速率确定模型来训练神经网络。自动微分效率与有限差分梯度进行了评估，同时该研究调查了训练数据集大小和批大小对准确性的影响，并进行了效率测量。该研究探讨了物理信息机器学习（PIML）用于管理复杂储层压力场景的潜力。为处理非均匀问题，Alhubail等人提出了扩展PINN（XPINN）。XPINN将域分解为均质子域，每个子域拥有自己的PINN[154]。XPINN在1%误差水平下达到了高精度，但需要精确的界面条件以确保收敛。结果表明宽而浅的网络更为敏感；平衡损失权重提高了准确性；更多训练迭代逐渐降低准确性。然而，这些因素的效果在达到一定程度后显著减小。不过，XPINN用于储层表征仍需进一步发展才能与传统数值方法竞争[154]。

另一项关于修改PINN的工作由Franklin等人提出，他们实现了一种结合物理信息神经网络（PINN）与基于LSTM的循环神经网络（RNN）的混合虚拟传感器，用于预测油井流量。该方法将系统动态先验知识与实时测量相结合，即使在数据有限的情况下也能准确估计流量。在电潜泵举升油井模型上测试，所提方法展示了其作为传统虚拟流量计（VFM）可靠替代方案的优势。与完全数据驱动的VFM不同，它能够在瞬态过程中预测流量，并通过参数跟踪最小化模型不确定性[22]。

另一项研究提出了一个物理信息、数据驱动框架，仅使用注水速率来预测注水作业中的液体产量。所提方法比较了传统电容-电阻模型（CRM）与包括RNNs、增强SINDy和增强物理信息神经网络（PINNs）在内的先进机器学习方法。在评估的模型中，增强PINNs达到了最高的预测精度[155]。

Faria等人提出了一个混合实时优化（RTO）框架，将稳态RTO（SSRTO）与物理信息深度强化学习（PIDRL）相结合，用于油气生产中的气举优化。通过集成残差DRL控制器，该方法减少了工厂模型失配并提高经济效益，同时保持SSRTO的稳定性。与动态RTO（DRTO）相比，该方法以11倍更低的计算成本实现类似的石油产量，使其适用于在线应用。该研究强调了PIDRL在过程中的潜力[156]。

为了在没有标注数据的情况下预测非均质和裂缝多孔介质中的两相流，Yan等人开发了增强型物理信息神经网络（E-PINN）。关键创新包括邻域位置锚定、自适应激活函数以及使用EDFM的显式裂缝表征，进一步改进了压力信息和学习能力。然而，E-PINN在二维/三维不混溶驱替模拟中实现了高精度，但与传统数值模拟器相比计算成本仍然很高[157]。

石油生产中的另一个PINN方法是预测。Meng等人开发了一个用于注水优化的PINN框架，在保持准确性的同时降低计算成本[158]。模型将流体动力学原理与深度学习相结合，然后在二维合成和三维Brugge基准案例上进行了测试。最终结果表明，所提方法比数据驱动方法表现更好。

Chakraborty等人最近证明了物理信息深度学习方法可以帮助从回水饱和度数据中确定岩心渗透率[159]。他们的算法将基于PINN的代理近似与DNNs集成，实现快速精确的渗透率计算。所提方法在多种数据集测试中取得了显著结果，在合成数据上误差<1%，在复杂储层条件下误差约3%。该方法在有效处理噪声数据测量方面仍面临挑战，以及在产生适用于各种地质环境的结果方面遇到困难。

谈及井增产，Khan等人开发了一个分析基于物理的并分析基于物理的数据集并建议裂缝设计参数的机器学习模型[160]。该模型使用迁移学习方法，在一个包含62个基于物理的参数数据集中进行训练。因此，本研究的模型识别出了裂缝参数，包括流体效率、垫液比、支撑剂质量、最大支撑剂浓度和无量纲产能指数。

近期研究表明，石油相关PINN研究正从早期的Buckley-Leverett和简单多孔介质演示转向更广泛的物理信息和物理约束学习框架，用于储层模拟、压力预测、试井解释、产量预测、多相流计量和历史拟合。因此，表7中总结的近期研究被归入更广泛的物理信息机器学习框架下，而不仅仅是经典PINNs。这很重要，因为几种新方法，如神经算子、图神经网络、边界积分神经网络、可微分模拟器、贝叶斯结构保持代理和Meta嵌入式PINNs，并非纯PINNs，但仍将控制流体力学、守恒定律、边界条件或储层工程约束嵌入学习过程。纳入这些近期研究为PINN/PIML方法如何在石油生产和储层工程应用中得到扩展提供了更一致和更新的了解。

表7.

## 石油生产中的PINN研究综述

| 参考文献 | 研究重点 | 物理模型 | 主要发现 |
|---|---|---|---|
| [151] | 多孔介质中的流动 | 无量纲一维Buckley-Leverett方程及含相对渗透率函数的分流量函数 | PINNs能够准确检测流动模式，并在数据有限的情况下优于ANNs |
| [154] | 多孔介质中的流动 | 假设线性组合求解?x方程 | 网络架构改进甚微；损失函数约束增强了训练效果 |
| [21] | 多孔介质中的流动 | 结合初始和边界条件求解?x方程 | PINNs优于数据驱动模型，且在数据稀少或有噪声的情况下仍能有效训练 |
| [161] | 地下储层的PIML | 使用瞬态超压水头表示 | PIML框架能有效管理多井场景下的压力 |
| [22] | 油井流动预测的PINN-LSTM混合方法 | 求解常微分方程 | 改进了瞬态流动预测并降低了模型不确定性 |
| [162] | 气举油井系统的PINNs | 求解常微分方程 | 相比黑箱模型，训练更快、损失更低 |
| [156] | 结合PIDRL的气举优化混合RTO框架 | 使用一组微分方程模型来表示通过气举采油的过程 | 计算成本比动态RTO低十一倍 |
| [157] | 针对裂缝多孔介质的增强型PINN | 利用达西定律、饱和度和毛细力考虑不润湿相和润湿相的质量守恒方程 | 对两相不混溶流体的2D/3D模拟精度高，但计算成本较高 |
| [163] | 多相流动中结合Welge构造的PINNs | 结合初始和边界条件求解?x方程 | 增强了Buckley-Leverett方程中不连续性的建模能力 |
| [158] | 注水优化PINN框架 | 基于Voronoi图模型开发的油-水两相黑油系统 | 在2D/3D情况下，所提模型优于数据驱动模型 |
| [155] | 井间连通性(IWC)的增强型PINNs | 非线性动力学稀疏识别方法(SINDy) | 相比传统CRM模型具有更高的精度和鲁棒性 |
| [159] | 子岩心渗透率预测的PINNs | 训练模型求解由毛细压力梯度表达的达西通量，考虑相对渗透率和J函数 | 误差率低，但在处理噪声数据和泛化方面存在挑战 |
| [164] | 3D注水储层模拟的物理信息代理建模 | 油-水质量守恒、达西流动压力/饱和度方程、Corey相对渗透率及3D Koopman神经算子架构 | 3D KNO模型准确捕捉了实际注水油储层的压力、含油饱和度和产率演化，优于基准PINN/CNN代理，但长期误差累积仍是局限 |
| [165] | 碳酸盐岩储层解耦物理信息试井解释 | 基于压力瞬态和压力导数响应的三重孔隙裂缝-溶洞碳酸盐岩储层模型，采用两阶段FPN–PPN反演框架 | ProxyInvNet实现了渗透率、井筒储量和表皮因子的物理一致反演，优于传统PINNs、纯数据驱动模型和商业软件，压力曲线重建R2达0.9988 |
| [166] | 注水储层基于图的产液量预测 | 无网格双图GCN–RNN框架，使用注采井间基于CRM的连通性、采-采井间Shapley连通性和循环时序预测 | 所提GCN–RNN模型捕捉了EGG注水基准中的时空井间交互作用，产生了平均误差约5%或更低的稳定三年产液量预测 |
| [167] | 油井稳态一维两相流动的可微建模 | 压力和温度剖面的Neural ODE公式化，包含物理结构化的压力梯度和能量平衡方程、含气率校正、混合专家流动模式建模及自动微分 | 该可微物理信息框架改进了压力预测（相比调优后的工业关联），通过迁移学习实现了现场数据标定，并支持使用RML的反问题不确定性量化 |
| [168] | 聚合物辅助热水驱的PINN流动模拟 | 一维PAHWF模型，耦合水饱和度、聚合物浓度和温度方程，包含温度和浓度依赖性黏度、分流量、聚合物传输和对流热传导 | PINN框架表明温度归一化可提高训练稳定性和精度，而独立的温度网络架构提高了耦合热-化学-多相EOR模拟的鲁棒性 |
| [169] | 注水储层产液量预测和井间连通性评估的先进混合建模 | 基于CRM/CRMIP的物质平衡ODE、增强型SINDy，以及具有CRM导出ODE损失、注采井连通性约束和历史注采数据的增强型PINN | 增强型PINN模型在产液量预测精度上优于CRM、增强型SINDy和纯数据驱动RNN方法，同时改善了井间连通性解释并检测了低效注入井行为 |
| [170] | 试井解释和储层参数反演的并行PINN与拉普拉斯变换 | 均匀、双重孔隙、三重孔隙和组合型储层的拉普拉斯空间垂直井压力瞬态模型，包含井筒储量、表皮因子、窜流系数、活动率比和并行PINN训练 | La-PPINN框架将试井PDEs简化为拉普拉斯空间ODEs，提高了计算效率和反演精度，在含噪声压力数据下实现了误差通常低于1-3%的稳健参数估计 |
| [171] | 油-水-气生产系统的PINN虚拟多相质量流量计 | 多相Navier-Stokes/连续性方程、滑移流量和混合流假设、界面闭合定律、Euler-Lagrange建模、CFD生成训练数据及SR-RK-PINN优化 | vMPFM的油、水和气质量流量估计误差通常在±5%以内，在高GVE条件下仍保持2-3%的精度（而传统MPFM误差高达12%），并展现出泄漏检测和排放监测的潜力 |
| [172] | 储层压力管理的物理信息机器学习 | 完全可微的DPFEHM多相流动模拟器与CNN耦合；单相稳态预训练后，使用压力方程和饱和度方程进行瞬态两相不混溶流微调 | 该可微PIML工作流从非均质渗透率场预测最优采油率以维持压力限制，同时迁移学习将所需的全物理多相模拟减少到不到3000次，并实现了准确的2D和3D多井压力控制 |
| [173] | 基于DNN的历史拟合用于确定性估计非均质储层参数 | 由达西定律和相质量守恒控制的两相注水；基于FNO的正向代理用于压力/饱和度预测，与用于渗透率估计的推理网络耦合 | DNNHM工作流准确推断非均质渗透率场，改善了注水预测，处理了含噪声的产量/饱和度观测数据，并在精度和效率上优于传统基于梯度的历史拟合 |
| [174] | 天然裂缝储层的混合代理建模和历史拟合 | 双重连续体粗网格图模型表示基质和裂缝连续体，包含两相油-水质量守恒、TPFA/CVFD离散化、基质-裂缝传质率、相对渗透率、孔隙体积、井指数参数及ES-MDA标定 | DCCGNet模型准确完成了裂缝储层井响应的历史拟合和预测，同时减少了参数维度，并与基于EDFM的裂缝储层模拟相比实现了最高15倍的模拟加速 |
| [7] | 三相储层流动模拟的贝叶斯端口哈密顿代理建模 | 三相微可压缩达西流动被表述为有限体积端口哈密顿系统，包含广泛的相质量状态、代数压力/饱和度重构、高斯过程混合哈密顿学习及保被动的Crank-Nicolson积分 | pH-MoGP代理在结构上保持了质量守恒和能量稳定性，在SPE1基准上实现了41.7 psi的压力RMSE且质量漂移<0.05%，提供了校准的不确定性，并比OPM Flow快6.5倍 |
| [175] | 径向油流储层井底压力预测的物理约束MetaPress神经网络 | 基于达西定律和连续性方程的单相微可压缩径向渗流方程，内井筒边界含表皮效应，外边界恒压，Meta嵌入LSTM PINN损失约束 | MetaPress通过将径向物理信息嵌入LSTM门控改进了BHP和压力场预测，实现了L2误差低于2%，并在单相径向流基准中优于基准PINN |
| [176] | 均质储层单相流动模拟的边界积分神经网络 | 由达西定律和Laplace型压力方程控制的稳态单相渗流，使用格林函数转化为边界积分方程，神经网络学习边界压力/通量变量 | BNN通过仅学习边界未知量消除了内部域离散化，在矩形储层中达到了非常高的精度，在梯形储层中匹配了BEM级性能（最大误差约0.051 MPa），并展示了无网格储层模拟的潜力 |

表7中呈现的结果突出了使用物理信息神经学习优化石油生产日益增长的兴趣。通过实施物理约束，深度学习模型变得更加精确。

为了全面了解机器学习在石油生产工程中的应用现状，表8总结了从已审阅文献中得出的关于六个关键应用领域的一般性结论。每个领域包括现有研究的总数、最有效的机器学习技术种类、报告的性能结果、使用的数据库量以及研究随时间的敏感性。所提供的摘要将有助于更准确地比较机器学习方法在生产工程各个子领域中的有效性、成熟度和数据驱动特性。

### 表8. 石油生产中机器学习应用概述

| 应用领域 | 研究数量 | 最佳ML方法 | 代表性报告性能（作者报告） | 使用数据点 | 参考文献 | 研究年份 |
|---|---|---|---|---|---|---|
| 碳氢化合物预测 | 16 | 堆叠集成 | 训练R2 = 0.999；测试R2 = 0.985；测试RMSE = 160.34 m3/天；测试MAE = 62.86 m3/天 | 挪威Volve油田6488个数据点 | [35] | 2019–2025 |
| 井性能/IPR与BHP | 17 | GTB | 训练R2 = 1.00；测试R2 = 0.999；MRE = 0.724 | 伊朗油田458个数据集 | [70] | 2005–2024 |
| 流动保障 | 19 | SVC/SVM、ANN、NN回归 | 测试分类准确率>95%；NN回归测试R2 >0.92；MAE = 0.018 HVF分数（≈1.8个百分点）；MSE = 0.0009 HVF2；基于913个测试点 | 4500个流动环路数据点；80/20训练-测试划分；NN回归使用913个测试点；现场案例使用17个标注+756个未标注数据点 | [83] | 2019–2026 |
| 人工举升优化/BHP虚拟传感 | 23 | 基于XGBoost的虚拟传感器；与岭回归、MLP-NN和LightGBM比较 | XGBoost：测试集1 MAPE = 1.213%，SMAPE = 1.217%，nRMSE = 1.553；测试集2 MAPE = 1.071%，SMAPE = 1.073%，nRMSE = 1.508。总体误差指标均低于2% | 来自巴西9个盐下海上平台60口井的107,235个日样本 | [6] | 2015–2025 |
| 增产措施 | 21 | NN和AdaBoost | NN和AdaBoost取得了最佳预测效果，MAPE分别为1.7%和1.6%，R2分别为0.947和0.943。有助于实时支撑剂清洗优化 | 来自48口井的33,453个数据点 | [181,150] | 2019–2026 |
| PINN/PIML应用 | 26 | ProxyInvNet（解耦PINN） | 测试集曲线重建：压力R2 = 0.9988；压力导数R2 = 0.9928；总体反演误差低于PINN、PDDB和商业软件 | 三重孔隙碳酸盐岩储层模型；26,000个合成样本 + 20个现场样本 | [165] | 2020–2026 |

## 3. 挑战与局限

尽管机器学习在石油与生产工程中的应用已证明是过程优化的高效工具，但仍存在一些缺点需要解决，以充分发挥其在生产工程中的潜力。本节讨论了阻碍机器学习在油气领域广泛可靠采用的现有局限。

机器学习在石油生产工程中面临的最大挑战之一是数据的质量、可获得性和可重复性。石油与天然气行业产生了大量可用于训练算法和构建深度学习模型的数据；然而，大多数数据集分散、含有大量噪声信息，且通常无法直接使用[177]。使用此类数据训练机器学习算法将产生精度较低的模型。此外值得注意的是，对此类数据集进行预处理非常困难，需要大量额外工作[178]。与数据相关的另一项挑战是数据碎片化和专有权限限制。许多公司会开展勘探研究、现场试验和案例研究，但所获得的数据受到限制[179]。这些问题与已发表机器学习研究中常见的研究方法缺陷（如使用小型或非代表性数据集）相互叠加，可能引入选择偏差并限制外部验证。这些因素共同表明，石油ML研究需要更高的透明度、标准化基准和更强的开源文化。

即使模型成功训练，它们在不同地质环境或操作条件下往往缺乏泛化能力。为一个储层或流体流动状态校准的模型在应用于类似但不同的情况时可能表现不佳，需要使用新的本地数据进行重新训练。这一局限指出了一个更深层、更根本的问题：纯数据驱动机器学习模型的黑箱特性。与基于物理的方法不同，传统机器学习方法不会内在强制物理约束。因此，它们可能产生统计上准确但物理上不合理的预测。数值精度与物理合理性之间的这种脱节是操作部署中谨慎使用的主要原因，因为基于此类预测的决策可能导致错误的井位选择、注入策略或储量估计。为解决这一问题，混合或物理信息方法已成为一个有前景的方向。这些方法将领域知识直接整合到ML架构或损失函数中，在保持数据驱动灵活性的同时改善了物理一致性[180]。

另一项挑战在于弥合深厚领域专业知识与高级技术能力之间的差距。物理专家的专业知识对于关键任务不可或缺，如训练数据策划、设计具有物理意义的特征以及在储层物理约束下解释结果。然而，实现复杂ML架构的潜力通常需要超越传统领域训练的专门计算技能。这种脱节可能导致依赖更简单、更易解释的模型，即使更先进的方法可能产生更深入的见解。

因此，推动该领域的发展需要培育协作性的混合团队，将领域知识与机器学习工程无缝整合，以确保模型在统计上稳健且在物理上可信。通过改进数据实践、混合建模和跨学科合作来克服这些局限性，可能是构建更具可解释性、可推广性和可靠性的储层及生产工程预测工具的关键一步。尽管机器学习已被证明是石油及生产工程中用于过程优化的极其有效的工具，但在其潜力得到完全发挥之前，仍须解决若干局限性。

4. 总结与展望

本综述探讨了机器学习如何在石油生产工程的五大支柱中变得日益重要。所展示的证据表明，机器学习不仅是一种实验性工具，而且正在成为当代生产过程的基本要素。其已被证实的成功表明，定义其进一步实施与影响力的需求与机遇正在发生变化。

在已成功实施的算法范围广泛，从传统的神经网络和支持向量机到更先进的深度学习架构和物理信息模型，凸显了该领域的灵活性。文献中报告的用于时间序列产量预测的最常见机器学习工具包括ARIMA、LSTM、A-LSTM和Prophet。ARIMA在处理平稳时间序列数据时表现良好，其中均值和方差等关键统计特性在时间上保持相对恒定。LSTM是一种能够捕捉历史观测数据中时间模式并利用其预测未来行为的深度学习方法。A-LSTM是传统LSTM模型的增强版本，融合了注意力机制，在做出预测时有选择地关注时间序列中最相关的部分。另一方面，Prophet旨在捕捉非线性趋势，同时考虑年度、周度和日度季节性。它对异常值具有鲁棒性，并且在历史数据表现出周期性季节模式时最为有效。在多样化应用中一个一致性的观察是混合和集成方法的优越表现。通过组合多个算法或将数据驱动学习与物理原理相结合，这些方法通常优于单一模型。这种改进源于对互补优势的充分利用，其中数据驱动技术提供了捕捉复杂非线性模式的灵活性，而基于物理的约束则增强了稳定性、可解释性以及超出训练域的插值与外推能力。

机器学习的实用价值在解决持续存在的运营挑战方面最为明显。在产量预测中，机器学习模型擅长处理复杂的多变量数据，即使在非常规条件下也能提供准确的预测。对于井筒性能和人工作业举升系统，机器学习提供了对传统相关公式的自适应、数据驱动的替代方案，能够实现实时优化和故障预测。在流动保障和井筒增产方面，机器学习通过预测地层条件、完整性风险和处理效果，将运营从被动应对转变为主动管理。这种从描述性分析向规范性和预测性智能的转变代表着运营能力的根本提升。

尽管机器学习模型在研究中通常能达到较高的预测精度，但要在真实的石油作业中成功部署，仍须解决若干实际挑战。随着储层条件演变、生产策略改变、新井投产或运行约束变化，模型性能可能随时间退化，导致数据漂移和预测可靠性降低。因此，定期重新训练、重新校准和验证模型往往是维持预测精度和决策性能所必需的。此外，完全自动化的闭环生产优化系统依赖于持续的高质量数据流。在偏远陆上油田、海上平台以及成熟资产中，这一要求可能难以满足，因为传感器覆盖率、通信基础设施、数据质量和遥测带宽等方面的限制可能会制约实时数据传输与处理。而且，计算资源、网络安全考量以及机器学习模型与现有数字油田平台的集成也引入了额外的运营复杂性。因此，尽管机器学习为智能储层和生产管理提供了巨大潜力，但解决模型维护、数据基础设施和现场规模部署相关问题仍然是实现稳健、可持续长期实施所必需的关键。

# 缩略语与符号表

| 符号 | 说明 | 单位 |
|------|------|------|
| q | 流量 | STB/d |
| qmax | 绝对开放产能 | STB/d |
| qo | 油产量流量 | STB/d |
| FE | 流动效率 | — |
| Pr | 储层压力 | psi |
| Pwf | 流动井底压力 | psi |
| C | 描述流量-压力关系的常数 | — |
| n | 经验常数 | — |
| V | Vogel无量纲系数（= 0.8） | — |
| h, hr | 储层厚度 | m |
| rw | 井筒半径 | m |
| k | 渗透率 | md |
| k? | 平均渗透率 | md |
| α | 油IPR参数；α = 1/(aPr+b)，a = ?0.981，b = ?152.585 | — |
| he | 有效厚度 | m |
| Y | 半变异函数 | — |
| nr | 水平井筒穿孔数量 | — |
| μ | 粘度 | cp |
| Bo | 油地质体积因子 | bbl/STB |
| E | 误差参数（0 < E < 1） | — |
| VF | 无量纲体积因子 | — |
| ?new | 考虑可采有机质后的新孔隙度 | — |
| SHCnew | 更新后的烃饱和度 | — |
| PI | 生产指数 | — |
| L | 储层总厚度 | m |
| Boi | 初始油地质体积因子 | bbl/STB |
| N | 初始含油量 | 10? m3 |
| Np | 累积产油量 | 10? m3 |
| BHP | 井底压力 | psi |
| FBHP | 流动井底压力 | psi |
| Pwh | 井口压力 | psi |
| Pi | 初始储层压力 | psi |
| Psep | 分离器压力 | psi |
| Pann | 套管压力 | psi |
| BHT | 井底温度 | °F |
| Tsrf | 地面温度 | °F |
| Twh | 井口温度 | °F |
| TVD | 真垂直深度 | ft |
| MD | 测深 | ft |
| re | 供液半径 | m |
| S | 表皮因子 | — |
| kf | 裂缝渗透率 | md |
| krf,o | 平均压力下油相对渗透率 | — |
| GOR | 气油比 | scf/STB |
| WC | 含水率 | 分数 |
| GLR | 气液比 | scf/STB |
| WOR | 油水比 | — |
| GLI | 气举注入率 | Mscf/d |
| qg | 气流量 | Mscf/d |
| qw | 水流量 | STB/d |
| qL | 液流量 | STB/d |
| J | 生产指数 | STB/d/psi |
| JD | 无量纲生产指数 | — |
| ? | 孔隙度 | 分数 |
| Sw | 含水饱和度 | 分数 |
| So | 含油饱和度 | 分数 |
| kh | 水平渗透率 | md |
| kv | 垂直渗透率 | md |
| Ct | 总压缩系数 | psi?1 |
| Pb | 泡点压力 | psi |
| API | 石油比重 | °API |
| PVT | 压力-体积-温度（流体特性） | — |
| R2 | 决定系数 | — |
| RMSE | 均方根误差 | — |
| MAE | 平均绝对误差 | — |
| MAPE | 平均绝对百分比误差 | % |
| MSE | 均方误差 | — |
| NRMSE | 归一化均方根误差 | — |
| NMAE | 归一化平均绝对误差 | — |
| MARE | 平均绝对相对误差 | % |
| MRE | 平均相对误差 | % |
| AARE | 平均绝对相对误差 | % |
| AAPE | 平均绝对百分比误差 | % |
| AAPRE | 平均绝对百分比相对误差 | % |
| AARD | 平均绝对相对偏差 | % |
| SD | 标准差 | — |
| F1 | F1分数（精确率和召回率的调和平均值） | — |
| AUC | ROC曲线下面积 | — |
| NMSE | 归一化均方误差 | — |
| PIP | 泵入口压力 | psi |
| PDP / POP | 泵排出压力 | psi |
| PIT | 泵入口温度 | °F |
| MT | 电机温度 | °F |
| VSD | 变频驱动频率 | Hz |
| RUL | 剩余使用寿命 | 天 |
| PHM | 故障诊断与健康管理 | — |
| GLV | 气举阀（深度） | ft |
| OGIP | 初始含气量 | Mscf |
| EUR | 预计最终采收量 | STB或Mscf |
| EOR | 提高采收率 | — |
| PBF | 支撑剂回流因子 | — |
| PFI | 支撑剂填充指数 | — |
| TIV | 总注入体积 | m3 |
| CGR | 凝析气-气比 | STB/Mscf |
| GWR | 气水比 | scf/STB |
| FWHP | 流动井口压力 | psi |
| HVF | 水合物体积分数 | 分数 |
| IFT | 界面张力 | mN/m |
| MEG | 单乙二醇 | — |
| DTS | 分布式温度传感 | — |
| FPSO | 浮式生产储油外输装置 | — |
| SG | 相对密度 | — |
| BSW | 基本沉淀物和水分 | % |
| PDG | 永久性井下计量装置 | — |
| WAT | 蜡析出温度 | °F或°C |

# 作者贡献声明

Aizhan Zeinula：撰写 - 原稿，撰写 - 审阅与编辑，形式化分析，调查研究。

Qaiser Khan：撰写 - 原稿，撰写 - 审阅与编辑，形式化分析。

Alikhan Ziyabek：撰写 - 原稿。

Assain Kaldybayev：撰写 - 原稿。

Bakdaulet Rustem：撰写 - 原稿。

Masoud Riazi：撰写 - 审阅与编辑。

Ashkan Jahanbani Ghahfarokhi：撰写 - 审阅与编辑。

Shams Kalam：监督指导，概念化，撰写 - 审阅与编辑。

# 生成式AI使用声明

在本文撰写过程中，作者使用了包括Grammarly和ChatGPT在内的多种工具作为AI辅助，以提高可读性并消除语法错误。图2是使用ChatGPT创建的。在使用该工具/服务后，作者对内容进行了审阅和编辑，并对本文的全部内容承担全部责任。

Aizhan Zeinula | Qaiser Khan | Alikhan Ziyabek | Assain Kaldybayev | Bakdaulet Rustem | Masoud Riazi | Ashkan Jahanbani Ghahfarokhi | Shams Kalam