Модель CNN-LSTM, оптимизированная улучшенным алгоритмом поиска воробьев, для прогнозирования добычи скважины

Более умное планирование подземной энергетики

Нефтяным и газовым компаниям важно заранее знать, сколько нефти принесёт скважина через месяцы, чтобы планировать инвестиции, проводить техническое обслуживание и избегать пустой траты воды, энергии и денег. Однако реальные скважины ведут себя сложно и изменчиво, что трудно описать традиционными формулами. В этом исследовании представлен новый подход на базе искусственного интеллекта (ИИ), который учится на прошлом поведении отдельных скважин, чтобы точнее и надёжнее прогнозировать их будущую продуктивность.

Почему предсказать одну скважину так сложно

Объём нефти, которую даёт отдельная скважина, зависит от множества меняющихся факторов: геологии пород, способов закачки воды в пласт, работы насоса и того, как со временем перемещаются жидкости под землёй. Классические инженерные модели могут описать большую часть этой физики, но требуют огромных объёмов данных и долгой настройки, и при этом всё равно плохо справляются с хаотичными изменениями реального мира. Современные методы машинного обучения, которые находят закономерности прямо в данных, улучшили прогнозы — но они часто требуют тщательной ручной настройки экспертами. Подбор правильных параметров модели, или гиперпараметров, может быть утомительным, субъективным и подверженным застреванию в неидеальных решениях.

Комбинирование пространственных и временных закономерностей

Авторы опираются на два мощных инструмента ИИ. Сверточные нейронные сети (CNN) хорошо выявляют локальные шаблоны и признаки в данных, тогда как сети с долговременной кратковременной памятью (LSTM) созданы для отслеживания развития сигналов на длительных отрезках времени. Объединяя CNN и LSTM, модель сначала «выделяет» полезные краткосрочные паттерны из множества рабочих сигналов, а затем отслеживает, как эти паттерны разворачиваются месяц за месяцем. На вход подаются ежедневные показатели: добыча воды, эффективность насоса, доля воды в потоке, время эксплуатации и глубина насоса — выбранные с помощью стандартного статистического теста (корреляция Пирсона), чтобы сохранить только те переменные, которые действительно важны для добычи нефти. Единственная цель предсказания — средняя месячная добыча нефти для данной скважины.

Более умный способ настройки ИИ-модели

Ключевое новшество — улучшенная версия алгоритма поиска воробьев, техники, вдохновлённой тем, как птицы ищут пищу в группах. В этом подходе множество кандидатов «летает» по пространству возможных настроек модели, обмениваясь информацией о перспективных областях. Улучшенный алгоритм поиска воробьев (ISSA) совершенствует три основных элемента: использует специальную хаотическую схему для равномерного распределения стартовых точек и улучшает правила перемещения виртуальных «производителей» и «хищников» в процессе исследования. Эти изменения расширяют охват поиска, ускоряют сходимость к хорошим настройкам и снижают риск застревания в посредственных решениях. ISSA затем применяется для автоматической настройки критичных гиперпараметров CNN-LSTM, таких как размер и количество сверточных фильтров и размеры скрытых слоёв.

Тестирование на реальных скважинах в плотном пласте

Чтобы проверить работу новой модели на практике, команда применила её к плотному песчаниковому пласту в бассейне Ордос в Китае, используя пятилетние данные по двум характерным скважинам, TB987 и TB990. Данные были разделены на тренировочную часть для обучения модели и тестовую для оценки прогнозов. Авторы сравнили свой подход ISSA-CNN-LSTM с несколькими альтернативами: версиями только на LSTM или только на CNN, моделями, настроенными оригинальным алгоритмом воробьев, и моделями, оптимизированными другими популярными ройными алгоритмами, такими как рой частиц, фруктовая муха и алгоритм серого волка. По ряду стандартных мер ошибки улучшенная модель стабильно давала прогнозы, которые ближе соответствовали реальным кривым добычи и имели меньшие колебания ошибок.

Что дают более точные прогнозы в операционной работе

Более высокая точность модели ISSA-CNN-LSTM — это не только академическое достижение; она имеет прямые практические применения. В краткосрочной перспективе более надёжные месячные прогнозы помогают определить объёмы закачки воды и распределение ресурсов между скважинами, поддерживая стабильную добычу. Когда фактическая добыча слишком сильно отклоняется от прогнозного интервала, операторы могут рассматривать это как предупреждение и проверять насосы, искать неожиданное прорыв воды или пересматривать состояние пласта. В долгосрочной перспективе прогнозы модели помогают оценить скорость падения продуктивности пласта, что поддерживает решения о стимуляции скважин, бурении новых или изменении плана развития.

Более ясное понимание будущей нефти на основе данных

Проще говоря, работа показывает, что автоматическая настройка объединённой сети CNN–LSTM с помощью улучшенного, вдохновлённого поведением птиц метода поиска делает прогнозы для отдельных скважин более точными и стабильными. Для двух тестовых скважин ошибки модели сократились примерно до одного процента в среднем, а соответствие между прогнозируемой и фактической добычей было почти одно к одному. С дальнейшей доработкой на больших наборах скважин и интеграцией с другими инструментами временных рядов подходы типа ISSA-CNN-LSTM могут стать практическими помощниками при принятии решений, помогая нефтепроизводителям извлекать больше информации — и ценности — из уже собираемых данных.

Цитирование: 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

Ключевые слова: прогнозирование добычи скважины, машинное обучение, прогнозирование временных рядов, алгоритм оптимизации, инженерия месторождений