石油产量预测粒计算角度分析

参考文章：产量预测建模 4: 粒计算的角度

本文仅对相关文献进行了解后整理出的一些个人理解，里面的很多内容还比较粗糙，有待修正。

根据近几年石油天然气产量预测的文献，机器学习在其中扮演的角色越来越多，传统方法的局限性慢慢由机器学习方法补足，但机器学习方法也存在一些局限性。传统方法，如DCA方法，仅仅根据其历史数据来预测显然是不太可靠的，当生产条件或者井的数量发生变化，便会影响其预测结果。而机器学习方法则是提取影响油田产量的相关特征来训练模型，最终达到较好的预测效果。而正因如此，特征的影响因子就显得很重要了，可能有些无关的特征会干扰预测模型，形成所谓的噪声。另一方面，建模和预测都是动态的，随时间而改变，故建立的模型也是适应一段时期的，需要根据不同的时期进行调整。因此，可以将产量预测问题按不同粒度去建模，根据不同的粒度梳理出相应的输入输出，理清产量预测中涉及的相关属性然后作出相应的调整。

将产量预测问题按不同粒度去建模

1. 按时长划分

从预测时长的角度, 可以分为长期、中期、短期.

1.1 长期预测

对油田整个生命周期进行建模, 以年为单位.
输入: 油田的地质信息, 包括: 反演结果解释、地层构造、开发方案 (逐渐增加油井数量); 产量历史数据等等.
输出 (预测):

1. 油田的 (静态) 总储量.
2. 油田的开采储量 (技术可采储量 > 经济可采储量).
3. 油田各阶段 (上升期、稳产期、下降期) 各自的时长与产量.
4. 下降期开始预测油田动态储量.
5. 下降期产量与上升加稳产期产量比例.
   注: 上升期和稳产期主要靠自身的压力把油喷出来. 下降期才靠注水等增产措施.

1.2 中期预测

以月为单位进行分析.
输入: 产量历史数据, 措施历史数据.
输出:

1. 接下来几个月的产量;
2. 措施建议;
3. 阶段转换预警 (如从稳产期转向减产期, 或从减产期转向亏损期).

1.3 短期预测

以日为单位进行分析.

1.3.1

输入: 前段时间日产量.
输出: 近期日产量.
一般而言, 用线性或衰减模型拟合就行. 反正意义也不大.

1.3.2

另一种[6]：
输入: 油管头压力（生产井） 、油管头温度（生产井） 、气举量（生产井）、套管压力（生产井）、生产管汇压力、注水量 、注水管汇压力、注水压力
输出: 产油量、产气量、产水量（单位：天）

2. 按区域划分

2.1 油田

2.1.1

对长期运行的实际油田进行分析，它们的特征是石油生产的“老化”[7]，这里我认为应该就是处于石油产量衰减期的油田。文献里主要针对的是需要采用增产措施的油田。
增产措施： 注水、压裂等。

输入： 平均注射速率、生产井的数量、注水井数量、每口生产井的注入井数量
输出： 下个月的总产油率

2.1.2

对特高含水期的油田分析 [5]。

这类油田含水率特高，我的理解是该类油田也是处在衰减期的，因此通过注水增产，结果就会导致油田含水率变高。

输入： 新井数、新井产量、去年投产的油井数、去年投产的油井产油贡献、最近2年投产的油井数、最近2年投产的油井产油贡献、……、最近9年投产的油井数量、最近9年投产的油井的产油贡献、最近10年及之前投产的油井数量、最近10年及之前投产的油井的产油贡献、注水井数量、月注入量、含水率、生产天数、剩余可采储量、新区使用的可采储量、 老区新增可采储量、增产井数、增产增油量和原油价格。（生产影响因素和历史生产数据）
输出： 油田的月产量或者年产量。

2.2 井组

我理解的井组就是每类井的集合。

2.2.1

对水平井建立预测模型，以井组为单位进行分析 [2]。

三个步骤：
1.从垂直测井数据帧中提取特征。
2.将提取的特征插值到水平井位置，并将特征合并到生产数据帧中。
3.为水平井生产建立预测模型，目的是找到最佳点（油气藏“甜点”表示油气富集的、具有经济开采价值的地区）。

输入： 垂直井的特征
输出： 水平井的产量

垂直井和水平井之间有什么关联吗？这里需要专业人士的回答。

2.2.2

以井组为单位进行分析 [1]。不过这里看的一篇文献是针对天然气处理，不知道换成石油是否会有影响。

输入: 井组的月平均产量、增量
输出: 井组接下来几个月的产量.

2.3 单井

这里主要是根据每篇文献的内容整理出来的输入输出，一些输入可能会重复，不过可以根据讨论将哪些输入结合。

2.3.1

以单井来分析 [8]：
输入: 过去的油井动态数据(如油管头压力(THP)、井底流动压力
输出: 接下来几个月的产量

2.3.2

另一种 [3]：
输入: 控制参数(注入速率和生产井底压力)、先前含水率和生产速率。
输出: 总速率和含水率（是否是当前还是后一段时间的，在文献中还未看出来）

2.3.3

另一种 [4]：
适用于整个生命周期。
输入: 单井数量，（生产井和注水井）
输出: 整个油藏的石油产量

影响：增产措施(例如，acid-fracturing（酸化压裂，酸压裂
）)。

考虑生产井数量的变化来匹配和预测整个油藏的石油产量。

由于采油井数量的增加，传统的数据收集分析方法不能满足石油产量的增加。(如DCA方法，只适用于产量开始下降的生产后期)

参考文献：
[1]:A Better Way To Forecast Production From Unconventional Gas Wells
[2]:A data-driven workflow for predicting horizontal well
production using vertical well logs
[3]:Data-Driven End-To-End Production Prediction of Oil Reservoirs by
EnKF-Enhanced Recurrent Neural Networks
[4]:Prediction of Production in Oil Reservoirs by Considering Change in
Number of Production Wells
[5]: Production prediction at ultra-high water cut stage via
Recurrent Neural Network
[6]:基于人工神经网络的注水开发油藏产量预测
[7]:Oil production forecast models based on sliding window regression
[8]:An Artificial Intelligence Neural Networks Driven Approach to Forecast Production in Unconventional Reservoirs – Comparative Analysis with Decline Curve