Modelo CNN-LSTM otimizado por algoritmo de busca do pardal aprimorado para previsão de produção de poços de petróleo

Planejamento mais inteligente para a energia subterrânea

Companhias de petróleo e gás precisam saber quanto um poço produzirá com meses de antecedência para planejar investimentos, agendar manutenção e evitar desperdício de água, energia e dinheiro. Ainda assim, poços reais se comportam de maneiras complexas e mutáveis que são difíceis de capturar com fórmulas tradicionais. Este estudo apresenta uma nova abordagem de inteligência artificial (IA) que aprende com o comportamento passado de poços individuais para prever sua produção futura com mais precisão e confiabilidade.

Por que prever um único poço é tão difícil

A quantidade de petróleo que um único poço pode entregar depende de muitos fatores variáveis: a geologia da rocha, como a água é injetada no reservatório, o desempenho da bomba e como os fluidos se movem no subsolo ao longo do tempo. Modelos clássicos de engenharia conseguem representar grande parte dessa física, mas exigem enormes quantidades de dados e longos tempos de configuração, e ainda assim têm dificuldades com mudanças bagunçadas do mundo real. Métodos recentes de aprendizado de máquina, que aprendem padrões diretamente dos dados, melhoraram as previsões — mas frequentemente exigem ajuste manual cuidadoso por especialistas. Escolher as configurações corretas do modelo, ou hiperparâmetros, pode ser tedioso, subjetivo e propenso a ficar preso em soluções subótimas.

Combinando padrões no espaço e no tempo

Os autores se baseiam em duas ferramentas poderosas de IA. Redes neurais convolucionais (CNNs) são muito boas em detectar padrões e características locais nos dados, enquanto redes de memória de longo prazo (LSTM) são projetadas para acompanhar como sinais evoluem ao longo de longos períodos. Ao combinar CNN e LSTM, o modelo pode primeiro "distinguir" padrões de curto prazo úteis a partir de múltiplos sinais operacionais, depois seguir como esses padrões se desenrolam mês a mês. As entradas incluem produção diária de água, eficiência da bomba, corte de água, tempo de produção e profundidade da bomba — escolhidas usando um teste estatístico padrão (correlação de Pearson) para manter apenas as variáveis que realmente importam para a produção de petróleo. O alvo de previsão único é a produção média mensal de petróleo de um determinado poço.

Uma forma mais inteligente de ajustar o modelo de IA

A inovação chave é uma versão aprimorada do algoritmo de busca do pardal, uma técnica inspirada em como aves procuram alimento em grupo. Nesta abordagem, muitas soluções candidatas "voam" pelo espaço de possíveis configurações do modelo, compartilhando informações sobre regiões promissoras. O algoritmo de pardal aprimorado (ISSA) refina três elementos centrais: usa um esquema caótico especial para espalhar pontos iniciais de maneira uniforme, e melhora como os "produtores" e "predadores" virtuais se movem durante a exploração. Essas mudanças ampliam a busca, aceleram a convergência para boas configurações e reduzem as chances de ficar preso em soluções medíocres. O ISSA é então usado para ajustar automaticamente hiperparâmetros críticos da CNN-LSTM, como o tamanho e o número de filtros de convolução e o tamanho das camadas escondidas.

Testes em poços reais em um reservatório compacto

Para avaliar o desempenho do novo modelo na prática, a equipe o aplicou a um reservatório de arenito compacto na Bacia de Ordos, na China, usando cinco anos de dados de dois poços representativos, TB987 e TB990. Os dados foram divididos em uma parte de treinamento para ensinar o modelo e uma parte de teste para avaliar suas previsões. Os autores compararam sua abordagem ISSA-CNN-LSTM com várias alternativas: versões usando apenas LSTM ou apenas CNN, modelos ajustados com o método original do pardal e modelos ajustados com outros otimizadores de enxame populares, como algoritmos de enxame de partículas, mosca-da-fruta e lobo-cinzento. Em várias medidas de erro padrão, o modelo aprimorado produziu consistentemente previsões que acompanharam as curvas reais de produção mais de perto e com flutuações de erro menores.

O que previsões aprimoradas podem fazer para as operações

A maior acurácia do modelo ISSA-CNN-LSTM não é apenas um ganho acadêmico; tem usos operacionais diretos. No curto prazo, previsões mensais mais confiáveis podem orientar quanto de água injetar e como compartilhar recursos entre poços, ajudando a manter a produção estável. Quando a produção real se desvia demais da faixa prevista, os operadores podem usar isso como um sinal de alerta precoce e inspecionar bombas, procurar avanços inesperados de água ou reavaliar as condições do reservatório. Ao longo de períodos maiores, as previsões do modelo ajudam a revelar quão rapidamente um reservatório está declinando, apoiando decisões sobre quando estimular um poço, perfurar novos ou mudar o plano de desenvolvimento.

Visão mais clara sobre o petróleo futuro a partir dos dados

Em termos simples, este trabalho mostra que permitir que um método de busca aprimorado, inspirado em aves, ajuste automaticamente uma rede combinada CNN–LSTM torna as previsões de poços individuais mais nítidas e estáveis. Para os dois poços de teste, os erros do modelo foram reduzidos para cerca de um por cento em média, e a correspondência entre produção prevista e real foi quase de um para um. Com desenvolvimento adicional em conjuntos maiores de poços e integração com outras ferramentas de séries temporais, abordagens como ISSA-CNN-LSTM podem se tornar auxiliares de decisão práticos, ajudando produtores de petróleo a extrair mais informação — e valor — dos dados que já coletam.

Citação: 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

Palavras-chave: previsão de produção de poços de petróleo, aprendizado de máquina, previsão de séries temporais, algoritmo de otimização, engenharia de reservatórios