基于生产指数驱动特征和诱导共轨预测的非样本油层产量预测：时间序列机器学习
机器学习
2025-08-21 v1 数据分析、统计与概率
摘要
本研究引入了新的机器学习框架，以增强非样本油层产量预测的鲁健性，特别针对多变量时间序列分析。所提方法论将生产指数（PI）驱动的特征选择——源自储层工程的概念——与诱导共轨预测（ICP）集成，用于严格的不确定性量化。利用沃尔夫（井位PF14、PF12）和诺恩（井位E1H）油田的历史数据，本研究检验了各种预测算法——即长短期记忆（LSTM）、双向LSTM（BiLSTM）、门控循环单元（GRU）和极端梯度提升（XGBoost）——在预测历史油产率（OPR_H）方面的效能。所有模型均实现了对未来时间段的"非样本"产量预测。通过传统误差指标（如MAE）以及预测偏差和预测方向准确度（PDA）进行全面评估，以评估偏差和趋势捕获能力。PI基于的特征选择较常规数值模拟工作流程有效减少了输入维度。不确定性量化采用ICP框架，即一种无分布假设的方法，可保证有效预测区间（如95%覆盖率），相较于传统置信区间具有显著优势，尤其适用于复杂非正态数据。结果表明，LSTM模型在PF14井的测试集MAE为19.468，真实非样本预测数据为29.638，后续在诺恩E1H井进行验证。这些发现凸显了将领域特定知识与先进机器学习技术结合以提高油层产量预测可靠性的重要潜力。
引用
@article{arxiv.2508.14078,
title = {Out-of-Sample Hydrocarbon Production Forecasting: Time Series Machine Learning using Productivity Index-Driven Features and Inductive Conformal Prediction},
author = {Mohamed Hassan Abdalla Idris and Jakub Marek Cebula and Jebraeel Gholinezhad and Shamsul Masum and Hongjie Ma},
journal= {arXiv preprint arXiv:2508.14078},
year = {2025}
}