Прогнозирование добычи глубокого сланцевого газа с помощью гибридной сети Transformer–Mamba, оптимизированной ROA

Почему важно предсказывать газ из пород

Природный газ из сланцев стал важной частью планов по более чистой энергетике во многих странах. Однако после ввода в эксплуатацию сланцевая скважина может давать изменчивую добычу, которая растёт и падает сложными, трудно предсказуемыми способами. В этой статье рассматривается, как современные методы искусственного интеллекта читают тонкие закономерности в реальных полевых данных глубоких сланцевых скважин и дают более надёжные ежедневные прогнозы, что помогает операторам планировать инвестиции, управлять инфраструктурой и снижать потери.

Проблема укрощения непослушных скважин

Глубокие сланцевые месторождения существенно отличаются от более привычных «мягких» газовых полей прошлого века. Эти породы залегают на больших глубинах, активно разрушаются при разработке и часто дают совместный приток газа и воды. В результате их дебиты колеблются по мере изменения давлений, очистки трещин и регулировки режимов эксплуатации. Традиционные инструменты прогнозирования, опирающиеся на плавные кривые снижения и простые предположения о движении флюидов под землёй, зачастую пропускают такие повороты. Это может привести к переоценке или недооценке объёмов и сроков поставок газа.

Пусть данные расскажут историю

Чтобы учесть это более сложное поведение, авторы собрали большой набор суточных записей добычи от 112 глубоких сланцевых скважин, охватывающий около 160 000 суток производства. Из этого массива данных они выбрали три ключевых сигнала в качестве входов: давление в обсадной колонне, объём произведённой воды в сутки и долю возвращённой фрекинговой жидкости (flowback). В совокупности эти величины отражают мощность пласта, проницаемость/открытость трещин и то, как газ и вода делят одни и те же пути течения. После очистки записей и организации их в перекрывающиеся временные окна команда сформулировала задачу как обучение модели предсказывать дебит газа на завтра по недавним тенденциям в этих трёх сигналах.

Новая смесь интеллектуальных алгоритмов

Ядро исследования — гибридная нейросеть, сочетающая две современные идеи работы с последовательностями. Одна часть, вдохновлённая моделями Transformer, используемыми в машинном переводе, хороша в обнаружении дальнодействующих связей на многих днях данных. Другая часть, модуль пространственно‑состояния из семейства Mamba, предназначена для эффективной передачи информации через длинные последовательности без затухания. Простой сверточный шаг в начале сети подчёркивает краткосрочные колебания, а финальный слой превращает выученные паттерны в единый прогноз суточной добычи газа. Чтобы избежать ручного подбора таких настроек, как скорость обучения и размеры слоёв, авторы используют биологически вдохновлённый метод поиска — Rabbit Optimization Algorithm, который систематически ищет комбинацию, дающую наилучшие результаты на валидации.

Тестирование гибридной модели

Исследователи сравнивают свою новую архитектуру с двумя альтернативами: моделью, построенной только на модуле в стиле Mamba, и другой, где Transformer сочетается с более традиционным рекуррентным блоком LSTM. Все три модели получают одинаковые входы и настраиваются с помощью той же оптимизационной стратегии. Используя пятикратную кросс‑валидацию и отдельные тестовые скважины, авторы обнаружили, что гибрид Transformer–Mamba стабильно лучше отслеживает и общий тренд снижения, и кратковременные всплески добычи по сравнению с конкурентами. В статистическом выражении это сокращает средние и корень‑среднеквадратичные ошибки приблизительно на одну пятую — одну треть относительно чистой Mamba‑модели и обеспечивает более высокий коэффициент детерминации, то есть прогнозы лучше соответствуют фактическим измерениям по множеству скважин.

От «чёрного ящика» к физическому пониманию

Хотя подход основан на данных, поведение модели отражает известную физику. Когда давление в скважине устойчиво падает, предсказанный дебит газа тоже уменьшается быстрее, что соответствует потере энергии пласта. Периоды с высоким или нестабильным притоком воды заставляют модель снижать или задерживать газовые прогнозы, отражая способность воды закупоривать или конкурировать за пути течения. По мере роста показателя flowback, сигнализирующего об очистке трещин, модель часто предсказывает замедление спада или лёгкое восстановление добычи, что согласуется с интуицией полевых специалистов. Это указывает на то, что сеть не просто подгоняет кривые, но и усваивает управляющие физические факторы потока из породы.

Что это значит для будущего планирования газа

На практике исследование показывает, что продуманно спроектированная гибридная нейросеть, автоматически настроенная и питаемая несколькими тщательно выбранными сигналами, может давать надёжные краткосрочные и среднесрочные прогнозы для глубоких сланцевых скважин даже при меняющихся режимах эксплуатации. Она предлагает операторам быстрый заменитель детальных физических симуляций, когда те недоступны или слишком дороги, при этом учитывая главные физические драйверы добычи. Авторы отмечают, что качество прогнозов может ухудшаться при экстремальных событиях, таких как длительные консервации или резкие изменения затвора (choke), и предлагают в дальнейшем добавить больше индикаторов режимов работы и анализ неопределённости. Тем не менее их результаты подчёркивают ценность ориентированного на данные прогнозирования для более эффективного и уверенного управления сланцевыми месторождениями.

Цитирование: He, W., Li, X., Wan, Y. et al. Forecasting deep shale gas production using a ROA-optimized Transformer–Mamba hybrid network. Sci Rep 16, 15954 (2026). https://doi.org/10.1038/s41598-026-45105-z

Ключевые слова: сланцевый газ, прогнозирование добычи, глубокое обучение, временные ряды, энергетическое моделирование