Produktionsvorhersagemodell für enge Gasbrunnen basierend auf einem neuronalen Netzwerk, das durch Rückgangskurven und Daten angetrieben wird

Die genaue Vorhersage der Gasbrunnenproduktion ist einer der Schlüsselfaktoren, die die wirtschaftliche und effiziente Entwicklung von engen Gasbrunnen beeinflussen. Die traditionelle Methode zur Vorhersage der Produktion von Öl- und Gasbrunnen geht von strengen Bedingungen aus und hat eine niedrige Vorhersagegenauigkeit in praktischen Feldanwendungen. Derzeit wurden intelligente Algorithmen auf Basis von Big Data in der Vorhersage der Öl- und Gasbrunnenproduktion angewendet, jedoch gibt es weiterhin einige Einschränkungen. Allein das Lernen aus Daten führt zu einer schlechten Verallgemeinerungsfähigkeit und Störfestigkeit der Vorhersagemodelle. Um dieses Problem zu lösen, wird in diesem Papier eine Produktionsvorhersagemethode für enge Gasbrunnen vorgestellt, die auf der Rückgangskurve und einem datengetriebenen neuronalen Netzwerk basiert. Basierend auf den tatsächlichen Produktionsdaten von hydraulisch gebrochenen Horizontalbrunnen in drei engen Gasreservoirs im Ordos-Becken werden die Vorhersageergebnisse des Arps-Rückgangskurvenmodells, des SPED-Rückgangskurvenmodells, des MFF-Rückgangskurvenmodells und der Kombination aus der Rückgangskurve und dem datengetriebenen neuronalen Netzwerkmodell verglichen und analysiert. Die Ergebnisse der Fallanalyse zeigen, dass das MFF-Modell und das kombinierte datengetriebene Modell die höchste Genauigkeit aufweisen, der durchschnittliche absolute prozentuale Fehler 14,11% beträgt und der quadratische Mittelwertfehler 1,491 ist, was eine neue Methode für die Produktionsvorhersage von engen Gasbrunnen im Ordos-Becken bietet.