Model CNN-LSTM optymalizowany ulepszonym algorytmem poszukiwań wróbli do przewidywania wydobycia szybów naftowych

Inteligentniejsze planowanie zasobów pod ziemią

Firmy naftowe i gazowe muszą wiedzieć, ile ropy odwiert dostarczy z wyprzedzeniem rzędu miesięcy, aby planować inwestycje, harmonogramy konserwacji i unikać marnowania wody, energii oraz środków finansowych. Rzeczywiste odwierty zachowują się jednak w sposób złożony i zmienny, co trudno ująć tradycyjnymi wzorami. W tym badaniu przedstawiono nowe podejście sztucznej inteligencji (AI), które uczy się na podstawie przeszłych zachowań poszczególnych szybów, by przewidywać ich przyszłe wydobycie dokładniej i bardziej niezawodnie.

Dlaczego przewidywanie pojedynczego szybu jest takie trudne

Ilość ropy, jaką może dostarczyć pojedynczy szyb, zależy od wielu zmiennych: geologii skały, sposobu wstrzykiwania wody do złoża, wydajności pompy oraz od tego, jak płyny przemieszczają się pod ziemią w czasie. Klasyczne modele inżynierskie potrafią opisać znaczną część tej fizyki, lecz wymagają ogromnych ilości danych i długiego czasu przygotowania, i nadal mają trudności z chaotycznymi zmianami w rzeczywistych warunkach. Nowoczesne metody uczenia maszynowego, które uczą się wzorców bezpośrednio z danych, poprawiły prognozy — często jednak wymagają starannego ręcznego strojenia przez ekspertów. Wybór odpowiednich ustawień modelu, czyli hiperparametrów, może być żmudny, subiektywny i podatny na utknięcie w niesatysfakcjonujących rozwiązaniach.

Łączenie wzorców w przestrzeni i czasie

Autorzy oparli rozwiązanie na dwóch potężnych narzędziach AI. Splotowe sieci neuronowe (CNN) świetnie wykrywają lokalne wzorce i cechy w danych, podczas gdy sieci LSTM (long short-term memory) zaprojektowano do śledzenia ewolucji sygnałów na długich przedziałach czasu. Łącząc CNN i LSTM, model najpierw „destyluje” użyteczne, krótkoterminowe wzorce z wielu sygnałów operacyjnych, a potem podąża za tym, jak te wzorce rozwijają się miesiąc po miesiącu. Wejścia obejmują dzienne wydobycie wody, wydajność pompy, udział wody w produkcji (water cut), czas produkcji i głębokość pompy — wybrane przy użyciu standardowego testu statystycznego (korelacja Pearsona), aby zachować tylko zmienne naprawdę istotne dla wydobycia ropy. Jednym celem predykcji jest średnie miesięczne wydobycie ropy z danego szybu.

Mądrzejszy sposób strojenia modelu AI

Główną innowacją jest ulepszona wersja algorytmu poszukiwań wróbli, techniki inspirowanej tym, jak ptaki poszukują jedzenia w grupie. W tym podejściu wiele kandydatów rozwiązań „przemieszcza się” w przestrzeni możliwych ustawień modelu, wymieniając informacje o obiecujących rejonach. Ulepszony algorytm wróbli (ISSA) usprawnia trzy kluczowe elementy: stosuje specjalny schemat chaotyczny, aby rozprowadzić punkty startowe równomiernie, oraz modyfikuje sposób poruszania się wirtualnych „producentów” i „drapieżników” podczas eksploracji. Zmiany te poszerzają zakres poszukiwań, przyspieszają zbieżność do dobrych ustawień i zmniejszają ryzyko utknięcia w przeciętnych rozwiązaniach. ISSA służy następnie do automatycznego strojenia istotnych hiperparametrów CNN-LSTM, takich jak rozmiar i liczba filtrów splotowych oraz wielkość warstw ukrytych.

Testy na rzeczywistych szybach w złożu o niskiej przepuszczalności

Aby sprawdzić, jak model działa w praktyce, zespół zastosował go do złoża z piaskowca o niskiej przepuszczalności w basenie Ordos w Chinach, wykorzystując pięć lat danych z dwóch reprezentatywnych szybów, TB987 i TB990. Dane podzielono na część treningową do nauki modelu i część testową do oceny prognoz. Autorzy porównali swoje podejście ISSA-CNN-LSTM z kilkoma alternatywami: wersjami używającymi tylko LSTM lub tylko CNN, modelami strojonymi pierwotnym algorytmem wróbli oraz modelami strojonymi innymi popularnymi optymalizatorami rojowymi, takimi jak algorytm roju cząstek, muszki owocowej czy szarego wilka. We wszystkich standardowych miarach błędu ulepszony model konsekwentnie generował prognozy lepiej odwzorowujące rzeczywiste krzywe produkcji i cechujące się mniejszymi wahaniami błędów.

Co lepsze prognozy dają operacjom

Wyższa dokładność modelu ISSA-CNN-LSTM to nie tylko zysk akademicki; ma bezpośrednie zastosowania operacyjne. W krótkim terminie bardziej wiarygodne miesięczne prognozy mogą wskazywać, ile wody wstrzyknąć i jak dzielić zasoby między szyby, pomagając utrzymać stabilne wydobycie. Gdy rzeczywista produkcja odbiega zbyt mocno od przewidywanego zakresu, operatorzy mogą potraktować to jako wczesny sygnał ostrzegawczy i sprawdzić pompy, poszukać nieoczekiwanego przedarcia wód lub ponownie ocenić warunki złoża. W dłuższej perspektywie prognozy modelu pomagają ujawnić tempo spadku złoża, wspierając decyzje o tym, kiedy stymulować szyb, wiercić nowe czy zmieniać plan rozwoju.

Jaśniejszy wgląd w przyszłą produkcję z danych

Mówiąc prosto, praca ta pokazuje, że pozwalając ulepszonej, ptasiej metodzie poszukiwań automatycznie stroić połączoną sieć CNN–LSTM, uzyskuje się prognozy dla pojedynczych szyb zarówno ostrzejsze, jak i bardziej stabilne. Dla obu badanych szyb błędy modelu zmniejszyły się średnio do około jednego procenta, a zgodność między przewidywaną a rzeczywistą produkcją była niemal jeden do jednego. Przy dalszym rozwoju na większych zbiorach szyb i integracji z innymi narzędziami do analiz szeregów czasowych podejścia takie jak ISSA-CNN-LSTM mogą stać się praktycznymi pomocami decyzyjnymi, pomagając producentom ropy wydobyć więcej informacji — i wartości — z danych, które już zbierają.

Cytowanie: 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

Słowa kluczowe: prognozowanie produkcji szybu naftowego, uczenie maszynowe, predykcja szeregów czasowych, algorytm optymalizacyjny, inżynieria złożowa