使用 ROA 优化的 Transformer–Mamba 混合网络预测深层页岩气产量

为什么预测岩层产气很重要

页岩中的天然气已成为全球更清洁能源规划的重要组成部分。然而，一口页岩井一旦开始产气，其产量可能以复杂且难以预见的方式上下波动。本文探讨了现代人工智能如何读取深层页岩气井真实现场数据中的微妙模式，并提供更可靠的日常预测，帮助运营者规划投资、管理基础设施并减少浪费。

驯服难以预测的油井的挑战

深层页岩气层与过去那个世纪占主导的平缓气田截然不同。这些岩层埋藏深处，开发过程中被大量压裂，且常常伴产气水共流。因此，随着压力变化、裂缝清理以及运行控制调整，其流量会起伏波动。传统的预测工具依赖平滑的递减曲线和关于地下流体运动的简单假设，往往无法捕捉这些曲折，从而导致对油田何时以及能产出多少气体的高估或低估。

让数据讲述真实情况

为了捕捉这种更复杂的行为，作者汇集了来自 112 口深层页岩气井的大量日产记录，覆盖约 160,000 个生产日。从这些数据中选择了三个关键信号作为输入：套管内测得的压力、每日产水量以及回流的压裂液比例。这些量共同反映了储层能量、裂缝开放程度以及气水共享通道的情况。在清洗记录并将其组织成重叠的时间窗口后，研究团队将问题表述为：教会模型从这三种信号的近期趋势中预测次日的产气速率。

一种新的智能算法组合

研究的核心是一个混合神经网络，结合了两种现代序列处理思想。一部分受用于语言翻译的 Transformer 模型启发，擅长发现跨越多日数据的长程关联；另一部分为 Mamba 系列中的状态空间模块，设计用来在长序列中高效传递信息而不致淤塞。网络前端的一个简单卷积步骤强调短期波动，最终层将学到的模式转化为单一的日产气预测。为避免对学习率和网络层尺寸等设置进行繁琐的试错式调整，作者采用了一种受自然启发的搜索方法——兔子优化算法（Rabbit Optimization Algorithm），系统地寻找能在验证集上给出最佳表现的组合。

对混合模型的检验

研究人员将他们的新框架与两种替代方案进行了比较：仅由 Mamba 式模块构成的模型，以及将 Transformer 与更传统的循环单元 LSTM 配对的模型。三种模型使用相同的输入并采用相同的优化策略进行调优。通过五折交叉验证和独立的测试井，作者发现混合的 Transformer–Mamba 模型在追踪整体递减趋势和短期产量波动方面始终比竞争者更为接近真实情况。从统计上看，与纯 Mamba 模型相比，它将平均误差和均方根误差大约降低了五分之一到三分之一，并且取得了更高的决定系数，表明预测在多口井上的拟合度更高。

从黑箱到物理洞见

尽管这是数据驱动的方法，但模型的行为呼应已知物理。当井压持续下降时，预测的产气速率更快下滑，反映了储层能量损失。高或波动的产水期会使模型降低或推迟产气预测，体现了水对流路的堵塞或竞争作用。随着回流比例增加、表明裂缝更为清洁，模型常常预测衰减放缓或轻微回升，符合现场直觉。这表明网络不仅在拟合曲线，也在内在化来自岩层的流动控制因素。

对未来产气规划的意义

在实际层面，研究表明经过精心设计、自动调优并输入少量精心选择信号的混合神经网络，能够为深层页岩气井在短期到中期提供可靠的预测，哪怕运行条件发生变化。它为运营者在详尽的物理模拟不可用或成本过高时提供了一个快速替代方案，同时仍尊重产量的主要物理驱动因素。作者指出，遇到长期停产或突发节流变化等极端事件时，性能可能会下降，并建议在未来工作中加入更多运行指标和不确定性分析。尽管如此，他们的结果表明以数据为中心的预测是更高效、信心更强的页岩气田管理的重要辅助工具。

引用: 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

关键词: 页岩气, 产量预测, 深度学习, 时间序列, 能源建模