改良スズメ探索アルゴリズムで最適化されたCNN-LSTMモデルによる油井生産予測

地下エネルギーのより賢い計画

石油・ガス会社は、投資計画や保守スケジュールを立て、水・エネルギー・費用の無駄を避けるために、井戸が数か月先にどれほど産出するかを事前に把握する必要があります。しかし、実際の井戸は従来の数式では捉えにくい複雑で変化する振る舞いを示します。本研究は、個々の井戸の過去の挙動から学習して将来の産出をより正確かつ信頼性高く予測する新しい人工知能（AI）アプローチを提示します。

単一井戸の予測が難しい理由

単一井戸の油量は、地質、貯留層への注水方法、ポンプの性能、地下での流体移動といった多くの変動要因に左右されます。古典的な工学モデルはこれらの物理過程の多くを表現できますが、大量のデータと長いセットアップ時間を必要とし、実世界の雑多な変化には対応しきれないことが多いです。最近の機械学習手法はデータから直接パターンを学ぶことで予測を改善してきましたが、それらはしばしば専門家による慎重な手動チューニングを必要とします。適切なモデル設定（ハイパーパラメータ）を選ぶ作業は面倒で主観的になりやすく、最適でない解に陥るリスクもあります。

空間と時間のパターンを組み合わせる

著者らは二つの強力なAIツールを組み合わせます。畳み込みニューラルネットワーク（CNN）はデータ中の局所的なパターンや特徴を捉えるのに優れ、長短期記憶（LSTM）ネットワークは信号が長期間にわたってどのように変化するかを追跡するよう設計されています。CNNとLSTMを組み合わせることで、モデルはまず複数の運転指標から有用な短期パターンを“抽出”し、その後それらのパターンが月ごとにどのように展開するかを追うことができます。入力には日次の生産水量、ポンプ効率、含水比、生産時間、ポンプ深度が含まれ、これらはピアソン相関などの標準的な統計検定で選ばれており、油量に真に寄与する変数のみを残しています。予測対象は各井戸の月平均油生産量です。

AIモデルを調整する賢い方法

本研究の主要な革新は、スズメの群れの採餌行動に着想を得たスズメ探索アルゴリズムを改良した点にあります。この手法では、多数の候補解がモデル設定の探索空間を“飛び回り”、有望な領域に関する情報を共有します。改良スズメ探索アルゴリズム（ISSA）は三つの要素を洗練させます：初期点を均等に散らすための特殊なカオス的スキームの導入、探索時の仮想的な“生産者”および“捕食者”の動きの改良、です。これらの変更により探索範囲が広がり、有望な設定への収束が速まり、中途半端な解に囚われる可能性が減ります。ISSAはその後、畳み込みフィルタのサイズや数、隠れ層のサイズなど、CNN-LSTMの重要なハイパーパラメータを自動で調整するために用いられます。

タイト層の実井戸での検証

この新しいモデルの実用性を検証するため、研究チームは中国オルドス盆地のタイト砂岩貯留層で、代表的な二井戸（TB987とTB990）の5年間のデータを用いて適用しました。データはモデル学習用の訓練部分と予測を評価するためのテスト部分に分けられました。著者らはISSA-CNN-LSTMアプローチを、LSTMのみやCNNのみのバージョン、元のスズメ探索法でチューニングしたモデル、粒子群最適化、ショウジョウバエ（果実蝿）最適化、グレイウルフ最適化などの他のポピュラーな群知能最適化手法でチューニングしたモデルと比較しました。複数の標準的な誤差指標にわたり、改良モデルは実際の生産曲線により近く追従し、誤差の振れ幅も小さい予測を一貫して出しました。

改善された予測が現場にもたらすもの

ISSA-CNN-LSTMモデルの高い精度は単なる学術的な向上にとどまりません。短期的には、より信頼できる月次予測が注水量の調整や井戸間の資源配分に役立ち、安定した産出の維持に貢献します。実際の生産が予測範囲から大きく外れた場合、それを早期警報としてポンプ点検、予期せぬ含水の確認、あるいは貯留層条件の再評価を行う契機にできます。長期的には、モデルの予測が貯留層の衰退速度を明らかにし、いつ刺激工程を行うか、新たな井戸を掘るか、開発計画を変更するかといった判断を支援します。

データから得る将来の油に関するより明瞭な洞察

簡潔に言えば、本研究は、改良された鳥に着想を得た探索法でCNN–LSTMを自動チューニングすることで、個別井戸の予測がより鋭く安定することを示しています。二つのテスト井戸では平均で誤差が約1％程度まで低下し、予測と実際の生産の一致はほぼ一対一に近づきました。より多くの井戸データでの拡張や他の時系列手法との統合を進めれば、ISSA-CNN-LSTMのような手法は実用的な意思決定支援ツールとなり、既に収集しているデータからより多くの情報と価値を引き出す助けとなるでしょう。

引用: 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

キーワード: 油井生産予測, 機械学習, 時系列予測, 最適化アルゴリズム, 貯留層工学