[论文解读] Deep Learning and Data Assimilation for Real-Time Production Prediction in Natural Gas Wells

Kelvin Loh, Pejman Shoeibi Omrani+1 more|arXiv (Cornell University)|Feb 14, 2018

Reservoir Engineering and Simulation Methods被引用 18

一句话总结

本文提出了一种混合深度学习与数据同化框架，采用改进的长短期记忆（LSTM）网络，并结合集合卡尔曼滤波器（EnKF），用于对北海成熟气田气井中的实时气流速率进行预测。该方法通过利用实时观测数据持续更新模型参数，提高了预测精度与鲁棒性，在存在盐沉积和动态流动行为的复杂工况下，预测误差最高可降低50%。

ABSTRACT

The prediction of the gas production from mature gas wells, due to their complex end-of-life behavior, is challenging and crucial for operational decision making. In this paper, we apply a modified deep LSTM model for prediction of the gas flow rates in mature gas wells, including the uncertainties in input parameters. Additionally, due to changes in the system in time and in order to increase the accuracy and robustness of the prediction, the Ensemble Kalman Filter (EnKF) is used to update the flow rate predictions based on new observations. The developed approach was tested on the data from two mature gas production wells in which their production is highly dynamic and suffering from salt deposition. The results show that the flow predictions using the EnKF updated model leads to better Jeffreys' J-divergences than the predictions without the EnKF model updating scheme.

研究动机与目标

• 为解决在受盐沉积和复杂动力学影响的成熟、末期气井中预测气流速率下降的挑战。
• 开发一种实时、可部署的预测系统，对未知的现场条件具有鲁棒性，且几乎无需重新训练。
• 将深度学习与数据同化技术相结合，以提升模型的长期准确性与适应性。
• 基于来自两口成熟气井的真实现场数据，评估EnKF更新的LSTM模型与基线LSTM模型的性能表现。

提出的方法

• 基于气井A（2009年1月至2011年12月）的历史生产数据，训练改进的深度LSTM模型，以学习时间依赖关系与生产递减趋势。
• 对输入变量（气流速率、压力、温度及节流阀开度）采用最小-最大归一化处理，同时通过基于传感器精度的标准差缩放方法保留测量不确定性。
• 在线应用集合卡尔曼滤波器（EnKF），利用新的实时观测数据更新LSTM模型的偏置参数，实现模型的持续校正。
• EnKF框架将LSTM模型视为状态空间系统，基于集合误差协方差估计，利用观测值与预测值之间的创新（差异）来更新模型参数。
• 该方法在气井B（2012–2013年）上进行测试，训练完成的模型在未重新训练的情况下直接应用，展示了对未见现场条件的泛化能力与适应性。
• 通过Jeffreys’ J-散度对模型性能进行定量评估，较低的值表示预测精度更高，且预测分布更接近真实分布。

实验结果

研究问题

• RQ1 在一口成熟气井上训练的深度LSTM模型，能否泛化应用于第二口具有不同物理特性的未知气井，以实现生产预测？
• RQ2 通过EnKF实现的在线模型更新，在存在未建模系统变化与测量不确定性的情况下，如何提升预测精度与鲁棒性？
• RQ3 基于EnKF的参数更新在动态、易结盐的井况下，能在多大程度上减少预测偏差并改善对实际气流速率的时间跟踪能力？
• RQ4 与静态LSTM基线模型相比，EnKF更新模型在初始启动阶段及高不确定性条件下是否能保持更优的性能表现？

主要发现

• 在最具挑战性的时期（2013年3月10日至24日），EnKF更新的LSTM模型的中位J-散度（283.1）显著低于基线模型，表明其具有更高的预测精度。
• EnKF模型有效降低了预测偏差，并在高动态变化及盐沉积引起的递减期间，显著改善了对实际气流速率的跟踪能力。
• 即使在EnKF初始启动阶段，更新后的模型也优于基线模型，展现出良好的鲁棒性与快速收敛能力。
• 该框架在无需重新训练的情况下成功适应了气井B的未知物理特性，证明了其在不同现场条件下的泛化能力。
• 在所有测试时间段（2012年7月13日至27日；2013年3月10日至24日；2013年1月1日至3月31日）内，中位J-散度均保持较低水平，证实了性能的持续提升。
• 该方法实现了“部署后即无需维护”的运行模式，因为EnKF可持续校正模型漂移与不确定性，从而减少了对人工重新训练的依赖。