CNN-LSTM-Modell, optimiert durch verbesserten Spatz-Suchalgorithmus zur Vorhersage der Fördermenge von Ölfeldern

Intelligenter planen für unterirdische Energie

Öl- und Gasunternehmen müssen Monate im Voraus wissen, wie viel Öl eine Bohrung fördern wird, um Investitionen zu planen, Wartungen zu terminieren und Verschwendung von Wasser, Energie und Geld zu vermeiden. Reale Brunnen verhalten sich jedoch komplex und veränderlich, was traditionelle Formeln nur schwer erfassen können. Diese Studie stellt einen neuen Ansatz der künstlichen Intelligenz (KI) vor, der aus dem vergangenen Verhalten einzelner Bohrungen lernt, um deren zukünftige Produktion genauer und verlässlicher vorherzusagen.

Warum die Vorhersage einer einzelnen Bohrung so schwierig ist

Die Menge an Öl, die eine einzelne Bohrung liefern kann, hängt von vielen wechselnden Faktoren ab: der Geologie des Gesteins, wie Wasser in das Reservoir injiziert wird, wie die Pumpe arbeitet und wie sich Flüssigkeiten über die Zeit unterirdisch bewegen. Klassische ingenieurwissenschaftliche Modelle können weite Teile dieser Physik abbilden, benötigen aber enorme Datenmengen und lange Einrichtungszeiten und haben dennoch Schwierigkeiten mit unordentlichen, realen Veränderungen. Neuere Methoden des maschinellen Lernens, die Muster direkt aus Daten lernen, haben die Vorhersagen verbessert – sie erfordern jedoch oft sorgfältiges manuelles Tunen durch Experten. Die Wahl der richtigen Modelleinstellungen, also der Hyperparameter, kann mühsam, subjektiv und anfällig dafür sein, in weniger optimalen Lösungen stecken zu bleiben.

Muster in Raum und Zeit kombinieren

Die Autoren bauen auf zwei leistungsfähigen KI-Werkzeugen auf. Convolutional Neural Networks (CNNs) sind sehr gut darin, lokale Muster und Merkmale in Daten zu erkennen, während Long Short-Term Memory (LSTM)-Netzwerke dafür konzipiert sind, wie Signale sich über lange Zeiträume hinweg entwickeln. Durch die Kombination von CNN und LSTM kann das Modell zunächst nützliche kurzfristige Muster aus mehreren Betriebsgrößen „destillieren“ und dann verfolgen, wie sich diese Muster Monat für Monat entfalten. Zu den Eingangsgrößen gehören tägliche Wasserproduktion, Pumpeneffizienz, Wasseranteil, Förderzeit und Pumpentiefe – ausgewählt mit einem standardmäßigen statistischen Test (Pearson-Korrelation), um nur die Variablen zu behalten, die für die Ölausbeute wirklich relevant sind. Das einzelne Vorhersageziel ist die durchschnittliche monatliche Ölförderung einer bestimmten Bohrung.

Ein schlauerer Weg, das KI-Modell zu kalibrieren

Die Schlüsselinnovation ist eine verbesserte Version des Spatz-Suchalgorithmus, einer Technik, die von der Art und Weise inspiriert ist, wie Vögel als Gruppe nach Nahrung suchen. Bei diesem Ansatz „fliegen“ viele Kandidatenlösungen durch den Raum möglicher Modelleinstellungen und teilen Informationen über vielversprechende Regionen. Der verbesserte Spatz-Algorithmus (ISSA) verfeinert drei Kernelemente: Er verwendet ein spezielles chaotisches Schema, um Startpunkte gleichmäßig zu verteilen, und verbessert, wie die virtuellen „Produzenten“ und „Räuber“ sich während der Erkundung bewegen. Diese Änderungen erweitern die Suche, beschleunigen die Konvergenz zu guten Einstellungen und verringern die Wahrscheinlichkeit, in mittelmäßigen Lösungen stecken zu bleiben. ISSA wird dann verwendet, um kritische CNN-LSTM-Hyperparameter automatisch zu optimieren, etwa die Größe und Anzahl der Faltungsfilter und die Größe der versteckten Schichten.

Test an realen Bohrungen in einem dichten Reservoir

Um die Leistungsfähigkeit des neuen Modells in der Praxis zu prüfen, wendete das Team es auf ein dichtes Sandsteinreservoir im Ordos-Becken in China an und nutzte fünf Jahre Daten von zwei repräsentativen Bohrungen, TB987 und TB990. Die Daten wurden in einen Trainingsanteil zum Lernen des Modells und einen Testanteil zur Bewertung der Vorhersagen aufgeteilt. Die Autoren verglichen ihren ISSA-CNN-LSTM-Ansatz mit mehreren Alternativen: Versionen, die nur LSTM oder nur CNN verwenden, Modellen, die mit dem ursprünglichen Spatzverfahren abgestimmt wurden, und Modellen, die mit anderen verbreiteten Schwarmoptimierern wie Partikelschwarm-, Fruchtfliegen- und Grauwolf-Algorithmen getunt wurden. Über mehrere standardisierte Fehlermessgrößen hinweg erzeugte das verbesserte Modell beständig Vorhersagen, die den realen Produktionskurven näher kamen und geringere Schwankungen in den Fehlern zeigten.

Was die verbesserten Prognosen für den Betrieb leisten können

Die höhere Genauigkeit des ISSA-CNN-LSTM-Modells ist nicht nur ein rein akademischer Gewinn; sie hat direkte operative Anwendungen. Kurzfristig können verlässlichere Monatsprognosen die Menge des zu injizierenden Wassers steuern und die Ressourcenzuteilung zwischen Bohrungen verbessern, was zur Aufrechterhaltung stabiler Fördermengen beiträgt. Wenn die tatsächliche Produktion zu stark von der vorhergesagten Spanne abweicht, können Betreiber dies als Frühwarnsignal nutzen, Pumpen prüfen, nach unerwartetem Wasserdurchbruch suchen oder die Reservoirbedingungen neu bewerten. Im längeren Zeitraum helfen die Vorhersagen des Modells, die Geschwindigkeit des Reservoirverfalls sichtbar zu machen und unterstützen Entscheidungen darüber, wann eine Bohrung stimuliert, neue Bohrungen niedergebracht oder der Entwicklungsplan geändert werden sollte.

Klarere Einsichten in die künftige Ölförderung aus Daten

Vereinfacht gesagt zeigt diese Arbeit, dass das automatische Abstimmen eines kombinierten CNN–LSTM-Netzes mit einer verbesserten, von Vögeln inspirierten Suchmethode Vorhersagen für einzelne Bohrungen sowohl schärfer als auch stabiler macht. Für die beiden Testbohrungen wurden die Fehler im Mittel auf etwa ein Prozent reduziert, und die Übereinstimmung zwischen prognostizierter und tatsächlicher Förderung war nahezu eins zu eins. Mit weiterer Entwicklung an größeren Bohrungsdatensätzen und der Integration mit anderen Zeitreihenwerkzeugen könnten Ansätze wie ISSA-CNN-LSTM zu praktischen Entscheidungshelfern werden, die Ölproduzenten helfen, mehr Informationen – und Wert – aus den bereits gesammelten Daten zu gewinnen.

Zitation: Zhang, R., Guo, L., Sun, J. et al. CNN-LSTM model optimized by improved sparrow search algorithm for oil well production prediction. Sci Rep 16, 13972 (2026). https://doi.org/10.1038/s41598-026-43674-7

Schlüsselwörter: Prognose der Ölförderung von Bohrungen, maschinelles Lernen, Zeitreihenprognose, Optimierungsalgorithmus, Reservoirtechnik