非常规页岩气藏地质和水力裂缝参数不确定条件下基于机器学习的产量预测

基于历史拟合的地质模型下的页岩气产量预测对实现非常规页岩资源的可靠评估和经济管理至关重要，然而，传统的历史拟合通常通过反复运行高保真度的油藏模拟来进行，因此在实际应用中具有较高的计算成本。在不需要历史拟合步骤的情况下，本文提出了一种基于潜在空间学习的直接预测方法(LS-LDFA)的高效稳健的后历史产量预测框架。采用一种新颖的降维方法，如卷积自编码器，通过潜在空间内的低阶表示对多井时间序列数据进行正则化。一旦离线训练好机器学习代理，输入历史数据即可高效地实现在线后历史产量预测。本文对LS-LDFA和基于模型的历史匹配进行了一些比较研究。该方法在两个日益复杂的实例上进行了测试，例如多裂缝水平井和基于合成页岩地层的多井-垫-生产的天然裂缝储层模型。结果表明，与传统的历史拟合相比，该方法同时具有较高的稳健性和计算效率。基于学习的直接预测方法的应用可以有效地融合历史数据中的信息，从而支持可靠的决策和风险评估。