油气藏生产动态预测机器学习方法研究

报告编号： OGC-A-020　　报告级别： A 级专题 所属赛道： OG-C 物探测井与数字油田 · "AI+油气"数字化集群 编制单位： 北京经纬智汇信息咨询有限公司 报告类型： 深度技术调研报告（技术导向+市场导向，兼顾政策与商业）

摘要

油气藏生产动态预测是连接勘探开发地质认识与油田生产经营决策的关键环节，其准确性直接决定了储量评估、开发方案编制、投资节奏与资产估值的可靠性。过去百年间，行业主要依赖递减曲线分析（DCA）、油藏数值模拟、物质平衡与瞬变分析等物理/经验方法。这些方法在常规油藏与稳态开发条件下行之有效，但在页岩油气等非常规资源、复杂注采响应、多变生产制度以及海量传感器数据的场景下暴露出参数敏感、拟合主观、算力昂贵、更新滞后等局限。

机器学习（ML）方法的引入，标志着生产动态预测从"以物理机理为核心、数据为辅"转向"数据与机理双轮驱动"的新范式。本报告系统梳理了从浅层机器学习（随机森林、梯度提升树、支持向量回归、高斯过程回归）到深度时序模型（LSTM、GRU、TCN、Transformer），再到物理约束混合建模（物理信息神经网络 PINN、容量-阻力模型与 ML 耦合、图神经网络、代理模型）与不确定性量化（贝叶斯、分位数回归、深度集成）的完整技术谱系；覆盖了北美页岩盆地单井 EUR 预测、中国致密气/页岩油区块开发指标预测、水驱注采响应、老油田精细挖潜等典型场景；并对国际油服巨头、专业 AI 初创、云厂商与中国"三桶油"的竞争格局进行了全面剖析。

调研表明：在公开基准数据集（如挪威 Volve 油田）上，随机森林等集成学习方法对产量的拟合决定系数 R² 可达 0.98 以上，显著优于传统 DCA 的表现；而在非常规单井 EUR 预测中，融合完井与地质特征的梯度提升模型已成为北美主力作业者的标配工具。全球油气人工智能相关市场规模 2025 年处于数十亿美元量级并保持两位数复合增长。然而，小样本泛化、物理可解释性、分布漂移与工程落地仍是制约规模化应用的核心瓶颈。报告最后给出面向企业的三阶段实施路线图与量化决策阈值建议。

第一章　研究背景与概念界定

1.1 油气藏生产动态预测的内涵

油气藏生产动态预测（Reservoir Production Performance Prediction / Production Forecasting），是指在给定地质条件、流体性质、井筒与地面工程条件及生产制度下，对油气井或油气藏未来产量及相关生产指标随时间演变规律进行定量估计的技术活动。它是油藏工程的核心任务之一，也是数字油田的关键分析能力。

其预测对象通常包括：单井产量递减规律、油藏或区块的产油/产气量、含水率（water cut）上升规律、气油比（GOR）变化、井底与地层压力动态、以及最终可采储量（EUR，Estimated Ultimate Recovery）的估算。按时间尺度可分为三类：短期预测（日/月产量，服务于生产调度与异常预警）、中长期预测（年产量与开发指标，服务于开发方案调整）、以及全生命周期预测（EUR 与递减全过程，服务于储量评估与资产估值）。

预测的准确性具有直接的经济含义。以北美非常规资产为例，单井 EUR 的 P50 估计偏差 10%，可能导致数亿美元级资产包估值的系统性偏移；对老油田而言，含水率与产量递减的预测误差直接影响措施井优选与增产投资的回报率。因此，生产动态预测既是技术问题，也是投资与经营决策问题。

1.2 为什么需要机器学习

传统预测方法根植于渗流力学与油藏工程理论，其优势在于物理意义明确、外推逻辑清晰。但在以下几类场景中，传统方法的局限日益凸显：

其一，非常规油气的复杂性。页岩油气储层具有超低渗透率、复杂缝网、强非均质性等特征，其产量递减不服从经典 Arps 模型假设，传统 DCA 在早期线性流阶段极易高估 EUR。其二，数据的爆发式增长。永久式井下监测、分布式光纤传感、数字化采集使单井日产生的时序数据量激增，物理模型难以充分利用这些高维、高频、多源数据。其三，历史拟合的算力与主观性瓶颈。全物理油藏数值模拟的历史拟合往往需要大量人工调参和高昂算力，难以支撑快速迭代与实时决策。其四，井间干扰与非稳态生产。加密井网、变工作制度、注采调整等使产量序列呈现强非平稳、强耦合特征，超出解析模型的表达能力。

机器学习方法以数据驱动的方式直接学习输入特征与产量输出之间的复杂非线性映射，能够融合地质、工程、生产多源异构数据，具备快速训练、批量推断、易于更新的工程优势，因而成为传统方法的有力补充乃至部分替代。

!图 1：油气藏生产动态预测方法演进谱系图 *图 1　油气藏生产动态预测方法演进谱系图*

第二章　传统预测方法回顾与对比基线

机器学习并非凭空取代传统方法，而是在与传统方法的对比与融合中确立价值。理解传统方法的原理与局限，是评估 ML 增益的基线。

2.1 递减曲线分析（DCA）

递减曲线分析是应用最广、成本最低的产量预测方法，其核心是用经验函数拟合产量随时间的递减趋势并外推。主要模型包括：

Arps 模型（1945）是 DCA 的基石，通过递减指数 b 值区分指数递减（b=0）、双曲递减（0<b<1）与调和递减（b=1）三种类型。它适用于边界控制流（拟稳态）阶段的常规油气井，参数物理意义明确、计算简便。但对页岩气/页岩油，其在长期线性流阶段应用会系统性高估 EUR，且 b 值常出现大于 1 的非物理拟合。

针对非常规储层，业界发展了一系列改进模型：Duong 模型（2011）专为长期线性流主导的页岩井设计；SEPD（伸展指数递减模型）与幂律指数递减模型（PLE）通过引入衰减项约束早期陡降与后期缓降；Logistic 增长模型（LGA）从累计产量角度约束 EUR 上限。这些模型改善了非常规拟合，但仍需人工判别流态、选择模型，主观性强，且难以纳入完井与地质信息。

2.2 油藏数值模拟与解析方法

油藏数值模拟通过离散求解渗流偏微分方程，能够刻画三维非均质储层中的多相流动，是机理最完整的预测手段。其瓶颈在于建模周期长、历史拟合依赖大量人工调参、计算成本高，难以支撑大规模井群的快速滚动预测。物质平衡法基于油藏整体的体积守恒，适合评估驱动机理与原始地质储量，但空间分辨率低。产量/压力瞬变分析（RTA/PTA）通过诊断流态识别储层与裂缝参数，在非常规评价中价值突出，但对数据质量与工程师经验要求高。

2.3 传统方法的共性局限

综合来看，传统方法的共性局限体现在：对复杂非常规储层的适配性不足、对多源高维数据的利用能力有限、历史拟合的主观性与算力成本、以及难以实现批量化实时更新。正是这些局限，为机器学习方法提供了切入空间。下表对主要传统方法与机器学习范式进行对比。

表 1　传统预测方法与机器学习范式对比