基于Granger-LSTM模型的东营凹陷页岩油产量预测

摘要

页岩油水平井生产动态变化复杂，现有预测技术难以达到理想精度。以东营凹陷为研究区域，基于X1和X2两口井的生产数据，首先采用Granger因果分析筛选与页岩油产量高度相关的时间动态因子，优化模型输入特征；随后，利用长短期记忆网络（LSTM）构建产量预测模型，并通过粒子群算法优化超参数，同时对比循环神经网络（RNN）、门控循环单元（GRU）和时空卷积网络（TCN）的预测性能。结果表明，特征选择对产量预测至关重要，以井X1的LSTM模型为例，基于Granger分析的特征筛选方法使均方根误差较基于Spearman分析的方法降低了3.41 m³,显著提升了预测精度。尽管多种时序模型均展现出良好的预测性能，但相比之下LSTM在捕捉时间序列动态特征方面表现最佳，为复杂页岩油产量预测提供了可靠的理论依据与技术支持。

关键词

页岩油产量 / 东营凹陷 / Granger分析 / 长短期记忆网络(LSTM) / 粒子群优化 / 预测模型

基金资助

国家自然科学基金项目(42074134)