İyileştirilmiş serçe arama algoritması ile optimize edilmiş CNN-LSTM modeli ile petrol kuyusu üretim tahmini

Yeraltı enerjisi için daha akıllı planlama

Petrol ve gaz şirketlerinin yatırımları planlayabilmek, bakım işlerini zamanlayabilmek ve su, enerji ile para israfını önleyebilmek için bir kuyunun aylık üretimini aylar öncesinden bilmeleri gerekir. Oysa gerçek kuyular, geleneksel formüllerle yakalanması zor, karmaşık ve değişken davranışlar sergiler. Bu çalışma, bireysel kuyuların geçmiş davranışından öğrenerek gelecekteki üretimlerini daha doğru ve güvenilir şekilde tahmin eden yeni bir yapay zeka (YZ) yaklaşımı sunuyor.

Neden tek bir kuyunun tahmini bu kadar zor

Bir kuyunun üretebileceği petrol miktarı, kayan bir dizi etkene bağlıdır: kayaç yapısının jeolojisi, rezervuara su enjeksiyonunun nasıl yapıldığı, pompanın performansı ve yeraltında sıvıların zaman içinde nasıl hareket ettiği gibi. Klasik mühendislik modelleri bu fiziksel süreçlerin çoğunu temsil edebilir ancak büyük veri gerektirir, kurulumu uzun sürer ve gerçek dünya değişiklikleriyle başa çıkmakta zorlanır. Veriden doğrudan örüntü öğrenen son makine öğrenimi yöntemleri tahminleri iyileştirdi ama genellikle uzmanların dikkatli elle ayarlamalarını gerektirir. Doğru model ayarlarını, yani hiperparametreleri seçmek zahmetli, subjektif ve ideal olmayan çözümlere takılmaya eğilimlidir.

Uzayda ve zamanda örüntüleri birleştirmek

Yazarlar iki güçlü YZ aracına dayanır. Konvolüsyonel sinir ağları (CNN’ler) verideki yerel örüntüleri ve özellikleri tanımada çok iyidir, uzun kısa süreli bellek (LSTM) ağları ise sinyallerin uzun zaman dilimlerindeki evrimini izlemek için tasarlanmıştır. CNN ve LSTM’i birleştirerek model, önce birden çok işletme sinyalinden yararlı kısa vadeli desenleri "özütleyebilir", sonra bu desenlerin aylar boyunca nasıl geliştiğini takip edebilir. Girdiler günlük su üretimi, pompa verimliliği, su kesri, üretim süresi ve pompa derinliğini içerir — petrol üretimini gerçekten etkileyen değişkenleri korumak için standart bir istatistiksel test (Pearson korelasyonu) ile seçilmiştir. Tek hedef tahmin, belirli bir kuyunun aylık ortalama petrol üretimidir.

YZ modelini ayarlamanın daha akıllı bir yolu

Ana yenilik, kuşların grup hâlinde yiyecek arayışından esinlenen serçe arama algoritmasının geliştirilmiş bir versiyonudur. Bu yaklaşımda, olası model ayarları uzayında birçok aday çözüm "uçur", umut vadeden bölgeler hakkında bilgi paylaşır. İyileştirilmiş serçe algoritması (ISSA) üç temel unsuru iyileştirir: başlangıç noktalarını dengeli dağıtmak için özel bir kaotik şema kullanır ve sanal "üreticiler" ile "yırtıcıların" keşif davranışlarını yükseltir. Bu değişiklikler aramayı genişletir, iyi ayarlara daha hızlı yakınsama sağlar ve vasat çözümlerde takılma olasılığını azaltır. ISSA daha sonra konvolüsyon filtrelerinin boyutu ve sayısı ile gizli katmanların büyüklüğü gibi kritik CNN-LSTM hiperparametrelerini otomatik olarak ayarlamak için kullanılır.

Sıkı bir rezervuvarda gerçek kuyular üzerinde test

Yeni modelin pratikte ne kadar iyi çalıştığını görmek için ekip, Çin’in Ordos Havzası’ndaki sıkı kumtaşı bir rezervuvarda, TB987 ve TB990 adlı iki temsilî kuyudan beş yıllık veriyi kullandı. Veriler modeli öğretmek için bir eğitim kısmına ve tahminleri değerlendirmek için bir test kısmına ayrıldı. Yazarlar ISSA-CNN-LSTM yaklaşımlarını yalnızca LSTM veya yalnızca CNN kullanan versiyonlarla, orijinal serçe yöntemiyle ayarlanmış modellerle ve parçacık sürü, meyve sineği ve gri kurt algoritmaları gibi diğer popüler sürü optimizasyon algoritmalarıyla ayarlanmış modellerle karşılaştırdı. Bir dizi standart hata ölçütü boyunca, geliştirilen model tutarlı şekilde gerçek üretim eğrilerini daha yakından izleyen ve hata dalgalanmaları daha küçük olan tahminler üretti.

Geliştirilmiş tahminlerin işletmeye katkısı

ISSA-CNN-LSTM modelinin daha yüksek doğruluğu yalnızca akademik bir kazanım değil; doğrudan operasyonel kullanımlara sahiptir. Kısa vadede, daha güvenilir aylık tahminler ne kadar su enjekte edileceği ve kuyular arasındaki kaynak paylaşımını yönlendirebilir, böylece stabil üretim korunmasına yardımcı olur. Gerçek üretim tahmin aralığından çok saparsa, operatörler bunu erken uyarı sinyali olarak ele alıp pompaları inceleyebilir, beklenmeyen su kırılmasını araştırabilir veya rezervuar koşullarını yeniden değerlendirebilir. Daha uzun vadede, modelin tahminleri rezervuarın ne kadar hızlı azaldığını ortaya koymaya yardımcı olur; bu da bir kuyunun ne zaman stimüle edileceği, yeni kuyuların ne zaman delineceği veya geliştirme planının ne zaman değiştirileceği gibi kararlara destek sağlar.

Veriden gelecekteki petrole daha net içgörü

Basitçe söylersek, bu çalışma gösteriyor ki iyileştirilmiş, kuş esinli bir arama yöntemiyle birleşik bir CNN–LSTM ağının otomatik olarak ayarlanması, bireysel kuyu tahminlerini hem daha keskin hem de daha stabil yapıyor. İki test kuyusu için modelin hataları ortalamada yaklaşık yüzde bir düzeyine indirildi ve tahmin ile gerçek üretim neredeyse bire bir uyuştu. Daha geniş kuyu setleri üzerinde ilave geliştirmeler ve diğer zaman serisi araçlarıyla entegrasyonla, ISSA-CNN-LSTM gibi yaklaşımlar pratik karar destek araçlarına dönüşebilir ve petrol üreticilerinin zaten topladıkları verilerden daha fazla bilgi — ve değer — çıkarmalarına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: petrol kuyusu üretim tahmini, makine öğrenimi, zaman serisi tahmini, optimizasyon algoritması, rezervuar mühendisliği