基于机器学习的完井序列优化以提升油井性能

由于油井开发的复杂性以及长期油井产量估算的不确定性，建立准确的油田开发参数以优化长期石油生产需要时间和努力。传统上，石油和天然气公司使用本质上计算昂贵的模拟软件来预测产量。因此，文献中最近利用机器学习方法作为一种高效的替代方案，通过改善完井条件来优化油井开发。本项目的主要目标是开发有效的机器学习模型，能够整合多维预测变量（即完井条件）的影响，以准确预测 12 个月累计产量。实施了三种预测回归机器学习模型来预测 12 个月累计石油产量：随机森林、梯度提升和长短期记忆模型。所有三个模型生成的累计产量预测的均方根误差（RMSE）值范围为 7.35 至 20.01 千桶石油。虽然我们假设所有模型都会产生准确的预测，但结果表明迫切需要进一步改进，以在地下创建可靠且合理的预测工具。虽然本研究并未产生用于完井序列以最大化长期产量的最优模型，但我们确立了仅靠机器学习模型不足以解决此类性质的问题。因此，存在显著改进的潜力，包括全面的特征工程，并建议探索使用混合或代理模型（即耦合物理降阶模型和机器学习模型），以确保对完井序列工作流程的进展做出重大贡献。