[论文解读] Soft Sensor for Bottom-Hole Pressure Estimation in Petroleum Wells Using Long Short-Term Memory and Transfer Learning

M. A. Fernandes, E. Gildin+1 more|arXiv (Cornell University)|Feb 3, 2026

Reservoir Engineering and Simulation Methods被引用 0

一句话总结

一个机器学习软传感器使用 LSTM 从井口/顶部数据估计流动的井下压力（BHP），性能优于 MLP 和岭回归，并引入跨环境的迁移学习。

ABSTRACT

Monitoring bottom-hole variables in petroleum wells is essential for production optimization, safety, and emissions reduction. Permanent Downhole Gauges (PDGs) provide real-time pressure data but face reliability and cost issues. We propose a machine learning-based soft sensor to estimate flowing Bottom-Hole Pressure (BHP) using wellhead and topside measurements. A Long Short-Term Memory (LSTM) model is introduced and compared with Multi-Layer Perceptron (MLP) and Ridge Regression. We also pioneer Transfer Learning for adapting models across operational environments. Tested on real offshore datasets from Brazil's Pre-salt basin, the methodology achieved Mean Absolute Percentage Error (MAPE) consistently below 2\%, outperforming benchmarks. This work offers a cost-effective, accurate alternative to physical sensors, with broad applicability across diverse reservoir and flow conditions.

研究动机与目标

• 推动准确、实时的井下压力估算以提升产量优化、安全性和减排。
• 通过以数据驱动的软传感器替代永久井下仪表，解决可靠性与成本限制。
• 开发并比较用于地面测量的 BHP 估算的 LSTM、MLP 和岭回归模型。
• 引入迁移学习以跨不同操作环境适应模型。

提出的方法

• 开发基于 LSTM 的软传感器，以从井口和顶部测量估计流动的 BHP。
• 以多层感知器（MLP）和岭回归对比 LSTM。
• 应用迁移学习以跨不同操作环境适应模型。
• 在巴西 Pre-salt 盆地的真实海上数据集上评估性能。
• 以平均绝对百分比误差（MAPE）作为主要指标。

实验结果

研究问题

• RQ1 数据驱动的软传感器是否能够从地表测量准确估计流动的 BHP？
• RQ2 LSTM 与 MLP 和岭回归在海上井的 BHP 估算中有何比较？
• RQ3 迁移学习是否能够实现跨不同操作环境的鲁棒模型适应？
• RQ4 在真实海上数据集上，该方法的可达到准确度（MAPE）是多少？

主要发现

• 基于 LSTM 的软传感器在测试数据集上的 MAPE 低于 2%。
• 在该任务中，LSTM 的表现优于基线模型 MLP 和岭回归。
• 迁移学习能够在不同操作环境间实现模型适应，支持更广泛的适用性。
• 该方法为替代物理井下仪表提供了具有成本效益的方案，同时保持准确性。