CNN-LSTM-modell optimerad av förbättrad sparv-sökalgoritm för prognoser av oljeproduktionsbrunnar

Smartare planering för underjordisk energi

Olje- och gasbolag behöver veta hur mycket olja en brunn kommer att ge månader i förväg för att planera investeringar, schemalägga underhåll och undvika slöseri med vatten, energi och pengar. Samtidigt beter sig verkliga brunnar på komplexa och föränderliga sätt som är svåra att fånga med traditionella formler. Denna studie presenterar en ny artificiell intelligens (AI)-metod som lär sig från enskilda brunnars tidigare beteende för att prognostisera deras framtida produktion mer exakt och pålitligt.

Varför det är så svårt att förutsäga en enskild brunn

Mängden olja en enskild brunn kan leverera beror på många skiftande faktorer: berglagrets geologi, hur vatten injiceras i reservoaren, hur pumpen presterar och hur vätskor rör sig under jord över tid. Klassiska ingenjörsmodeller kan beskriva mycket av denna fysik men kräver stora datamängder och lång upprättningstid, och de har fortfarande svårt med röriga verkliga förändringar. Nyligen utvecklade maskininlärningsmetoder, som lär sig mönster direkt ur data, har förbättrat prognoserna — men de kräver ofta noggrann manuell justering av experter. Att välja rätt modellinställningar, eller hyperparametrar, kan vara tidskrävande, subjektivt och riskera att fastna i suboptimala lösningar.

Kombinera mönster i rum och tid

Författarna bygger vidare på två kraftfulla AI-verktyg. Convolutional neural networks (CNN) är mycket duktiga på att upptäcka lokala mönster och särdrag i data, medan long short-term memory (LSTM) nätverk är designade för att följa hur signaler utvecklas över långa tidsintervall. Genom att kombinera CNN och LSTM kan modellen först "destillera" användbara korttidsmönster från flera driftssignaler och sedan följa hur dessa mönster utvecklas månad för månad. Indata inkluderar daglig vattenproduktion, pumpeffektivitet, vattenhalt (water cut), produktionstid och pumpdjup — valda med ett standardstatistiskt test (Pearsons korrelation) för att behålla endast de variabler som verkligen påverkar oljeproduktionen. Det enda prognosmålet är genomsnittlig månatlig oljeproduktion för en given brunn.

Ett smartare sätt att finjustera AI-modellen

Huvudnyheten är en förbättrad version av sparv-sökalgoritmen, en teknik inspirerad av hur fåglar söker föda i grupp. I detta tillvägagångssätt "flyger" många kandidatlösningar genom rummet av möjliga modellinställningar och delar information om lovande områden. Den förbättrade sparvalgoritmen (ISSA) förfinar tre kärnelement: den använder en speciell kaotisk schem för att sprida startpunkter jämt, och den uppgraderar hur virtuella "producenter" och "rovdjur" rör sig under utforskningen. Dessa ändringar vidgar sökområdet, snabbar på konvergens mot bra inställningar och minskar risken att fastna i mediokra lösningar. ISSA används sedan för att automatiskt ställa in kritiska CNN-LSTM-hyperparametrar, såsom storlek och antal konvolutionsfilter och storleken på dolda lager.

Testat på verkliga brunnar i ett tätreservoir

För att bedöma hur väl den nya modellen fungerar i praktiken tillämpade teamet den på ett tätt sandstensreservoar i Kinas Ordosbassäng, med fem års data från två representativa brunnar, TB987 och TB990. Data delades upp i en träningsdel för att lära modellen och en testdel för att utvärdera prognoserna. Författarna jämförde sin ISSA-CNN-LSTM-metod med flera alternativ: versioner med enbart LSTM eller enbart CNN, modeller finjusterade med den ursprungliga sparvmetoden och modeller finjusterade med andra välkända svärmoptimerare såsom partikel-svärm, fruktfluga och gråvargsalgoritmer. Över flera standardmått för fel levererade den förbättrade modellen konsekvent prognoser som följde de verkliga produktionskurvorna bättre och med mindre felvariationer.

Vad de förbättrade prognoserna kan göra för drift

Den högre noggrannheten hos ISSA-CNN-LSTM-modellen är inte bara en akademisk förbättring; den har direkta användningsområden i drift. På kort sikt kan mer tillförlitliga månatliga prognoser styra hur mycket vatten som ska injiceras och hur resurser ska fördelas mellan brunnar, vilket hjälper till att upprätthålla stabil produktion. När faktisk produktion avviker för mycket från det förutsagda intervallet kan operatörer se detta som ett tidigt varningstecken och inspektera pumpar, leta efter oväntade vattengenombrott eller omvärdera reservoarförhållanden. På längre sikt hjälper modellens prognoser att visa hur snabbt ett reservoar avtar, vilket stöder beslut om när en brunn bör stimuleras, nya brunnar ska borras eller utvecklingsplanen ändras.

Klarare insikt i framtida olja från data

Enkelt uttryckt visar detta arbete att det att låta en förbättrad, fågelinspirerad sökmetod automatiskt ställa in ett kombinerat CNN–LSTM-nätverk gör enskilda brunnsprognoser både skarpare och mer stabila. För de två testbrunnarna minskade modellens fel till omkring en procent i genomsnitt, och överensstämmelsen mellan prognos och faktisk produktion var nära ett-till-ett. Med vidareutveckling på större mängder brunnar och integration med andra tidsserieverktyg kan metoder som ISSA-CNN-LSTM bli praktiska beslutsstöd, och hjälpa oljeproducenter att pressa ut mer information — och värde — ur de data de redan samlar in.

Citering: 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

Nyckelord: prognoser för oljeproduktion i brunnar, maskininlärning, tidsserieprognos, optimeringsalgoritm, reservoaringenjörskap