摘要： 气井产能预测是气田开发的一项重要任务.而页岩气生产受地质和生产中诸多因素影响,非线性特征强,传统基于机理的产能预测方法难以综合且准确表征多维度和多结构类型的产能影响因素,难以快速求解页岩气压裂后生产动态.针对这一问题,基于LSTM和DNN神经网络,本文提出了一种新型的拟合函数—神经网络协同的页岩气井动态产能预测模型.首先,通过数据维度重组,将目标井前期的产量、压力等时序参数与用液强度、加砂强度、总含气量、脆性矿物含量等静态产能控制参数混合构建数据集,以实现目标井后期生产曲线的预测.其次,基于现场真实日产气量数据,利用Arps产能曲线拟合模型对同区块的邻井产能数据进行特征筛选,以间接加入含产能递减规律的弱物理约束;基于实际工况下单日生产时间与产量的强相关性,于神经网络模型内部加入强物理约束,进而提高本文模型的产能时间序列预测精度和局部稳定性.基于本文模型,对我国某页岩气区块进行未来产能曲线预测,并对预测结果进行k折交叉验证.其中,分别讨论了神经网络模型参数、产能控制参数和时间步长等因素对于模型精度的影响.结果显示,本文模型具有较高的准确率.在邻井生产数据样本较少情况下,该模型仍可以通过用液强度等静态产能控制参数和目标井前期生产、压力曲线捕捉较多的生产特征.本文为老井压裂效果评价和新井生产参数优化具有一定指导意义.

关键词: LSTM, 物理约束, 动态产能预测, 页岩气, 机器学习