Modello CNN-LSTM ottimizzato tramite algoritmo di ricerca dello sparviero migliorato per la previsione della produzione del pozzo petrolifero

Una pianificazione più intelligente per l’energia sotterranea

Le compagnie petrolifere e del gas devono sapere quanto petrolio produrrà un pozzo con mesi di anticipo per pianificare investimenti, programmare la manutenzione e evitare sprechi di acqua, energia e denaro. Tuttavia i pozzi reali si comportano in modi complessi e variabili che sono difficili da catturare con le formule tradizionali. Questo studio presenta un nuovo approccio di intelligenza artificiale (IA) che apprende dal comportamento passato di singoli pozzi per prevederne l’output futuro in modo più accurato e affidabile.

Perché prevedere un singolo pozzo è così difficile

La quantità di petrolio che un singolo pozzo può erogare dipende da molti fattori in continua evoluzione: la geologia della roccia, come viene iniettata l’acqua nel giacimento, le prestazioni della pompa e il modo in cui i fluidi si muovono nel sottosuolo nel tempo. I modelli ingegneristici classici possono rappresentare gran parte di questa fisica ma richiedono enormi quantità di dati e lunghi tempi di configurazione, e faticano comunque con i cambiamenti disordinati del mondo reale. I metodi di machine learning recenti, che apprendono i modelli direttamente dai dati, hanno migliorato le previsioni—ma spesso richiedono una messa a punto manuale da parte di esperti. Scegliere le giuste impostazioni del modello, o iperparametri, può essere tedioso, soggettivo e portare a soluzioni non ottimali.

Combinare pattern nello spazio e nel tempo

Gli autori si basano su due potenti strumenti di IA. Le reti neurali convoluzionali (CNN) sono molto efficaci nell’individuare pattern e caratteristiche locali nei dati, mentre le reti LSTM (long short-term memory) sono progettate per seguire l’evoluzione di segnali su lunghi intervalli temporali. Combinando CNN e LSTM, il modello può prima «distillare» utili pattern a breve termine da molteplici segnali di esercizio, quindi seguire come questi pattern si sviluppano mese dopo mese. Gli input includono produzione giornaliera di acqua, efficienza della pompa, cut dell’acqua, tempo di produzione e profondità della pompa—selezionati usando un test statistico standard (correlazione di Pearson) per mantenere solo le variabili che contano davvero per la produzione di petrolio. L’obiettivo di previsione è la produzione media mensile di petrolio di un dato pozzo.

Un modo più intelligente per sintonizzare il modello IA

L’innovazione chiave è una versione migliorata dell’algoritmo di ricerca dello sparviero, una tecnica ispirata a come gli uccelli cercano il cibo in gruppo. In questo approccio molte soluzioni candidate «volano» attraverso lo spazio delle possibili impostazioni del modello, condividendo informazioni sulle regioni promettenti. L’algoritmo dello sparviero migliorato (ISSA) perfeziona tre elementi centrali: usa uno schema caotico speciale per distribuire uniformemente i punti di partenza e migliora il modo in cui i virtuali «produttori» e «predatori» si muovono durante l’esplorazione. Questi cambiamenti ampliano la ricerca, accelerano la convergenza verso buone impostazioni e riducono le probabilità di rimanere intrappolati in soluzioni mediocri. ISSA viene poi usato per regolare automaticamente iperparametri critici della CNN-LSTM, come la dimensione e il numero dei filtri convoluzionali e la dimensione degli strati nascosti.

Test su pozzi reali in un giacimento compatto

Per valutare come il nuovo modello funziona nella pratica, il team lo ha applicato a un giacimento di arenaria compatta nella bacino di Ordos in Cina, utilizzando cinque anni di dati provenienti da due pozzi rappresentativi, TB987 e TB990. I dati sono stati suddivisi in una parte di addestramento per insegnare al modello e in una parte di test per valutare le previsioni. Gli autori hanno confrontato il loro approccio ISSA-CNN-LSTM con diverse alternative: versioni che utilizzano solo LSTM o solo CNN, modelli sintonizzati con il metodo originale dello sparviero e modelli sintonizzati con altri popolari ottimizzatori a sciame come particle swarm, fruit fly e grey wolf. Su varie misure di errore standard, il modello migliorato ha prodotto costantemente previsioni che seguivano più da vicino le curve di produzione reali e con minori fluttuazioni d’errore.

Cosa possono fare le previsioni migliorate per le operazioni

L’aumentata accuratezza del modello ISSA-CNN-LSTM non è solo un guadagno accademico; ha usi operativi diretti. Nel breve termine, previsioni mensili più affidabili possono guidare la quantità di acqua da iniettare e come ripartire le risorse tra i pozzi, contribuendo a mantenere una produzione stabile. Quando la produzione reale devia troppo dalla gamma prevista, gli operatori possono considerarlo un segnale di allerta precoce e ispezionare le pompe, cercare rotture improvvise d’acqua o rivalutare le condizioni del giacimento. Su orizzonti temporali più lunghi, le previsioni del modello aiutano a chiarire la velocità di declino del giacimento, supportando decisioni su quando stimolare un pozzo, trivellarne di nuovi o modificare il piano di sviluppo.

Uno sguardo più chiaro sul petrolio futuro dai dati

In termini semplici, questo lavoro mostra che lasciare che un metodo di ricerca migliorato, ispirato agli uccelli, sintonizzi automaticamente una rete combinata CNN–LSTM rende le previsioni per singolo pozzo sia più nette sia più stabili. Per i due pozzi di prova, gli errori del modello sono stati ridotti a circa l’uno percento in media e la corrispondenza tra produzione prevista e reale è stata quasi uno a uno. Con ulteriore sviluppo su insiemi più ampi di pozzi e integrazione con altri strumenti per serie temporali, approcci come ISSA-CNN-LSTM potrebbero diventare ausili pratici per le decisioni, aiutando i produttori di petrolio a estrarre più informazioni—e valore—dai dati che già raccolgono.

Citazione: 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

Parole chiave: previsione produzione pozzi petroliferi, apprendimento automatico, previsione di serie temporali, algoritmo di ottimizzazione, ingegneria dei giacimenti