油气藏生产动态预测机器学习方法研究

报告编号：OGC-A-026 所属方向：数字油田与油气 AI 出品方：北京经纬智汇信息咨询有限公司 报告日期：2026年7月 保密级别：内部参考 版本：V1.0

执行摘要

油气藏生产动态预测是油藏工程的核心命题，直接决定储量评估、开发方案设计、经济评价与投资决策。过去一个多世纪，行业主要依赖以 Arps 递减曲线为代表的经验方法和以有限差分/有限体积为核心的油藏数值模拟。前者简单但物理内涵薄弱、外推能力有限；后者物理严谨但建模周期长、算力消耗大、历史拟合多解性突出。近十年，机器学习（ML）与深度学习（DL）方法的引入，正在重塑这一技术版图。

本报告基于全球视野与全时间轴，系统梳理了从传统方法到数据驱动方法的完整演进脉络，剖析了经典机器学习、深度时序模型、物理信息神经网络（PINN）、代理/降阶模型（Surrogate/ROM）、时序基础模型等技术路线的原理、精度与瓶颈，比对了国际油服巨头、国际石油公司、专业 AI 油气公司与中国"三桶油"及高校的竞争格局，并给出分阶段的立项、选型与投资建议。核心结论如下：

核心结论一（技术）：纯数据驱动方法在数据充分、工况稳定的成熟井/成熟区块产量预测中已具备工业可用精度（多数公开案例报道测试集 R² 在 0.85~0.95、MAPE 在 5%~15% 区间），但在小样本、新区块、变工况、长周期外推场景下泛化能力不足。物理约束机器学习（PINN、混合物理-数据驱动）与迁移学习是当前突破泛化瓶颈的两条主线。

核心结论二（效率）：以深度学习代理模型替代或加速全物理油藏数值模拟，是目前商业价值最明确、落地最成熟的方向。公开文献与厂商资料报道的推理加速比普遍在 10²~10⁴ 量级，使得过去需要数天的多情景优化、不确定性量化与实时决策成为可能，这是"数字孪生"闭环得以运转的算力前提。

核心结论三（前沿）：2023—2025 年，时序基础模型（Foundation Model）、Transformer 长序列架构与大模型工程化开始进入油气生产预测视野。国内中石油"昆仑大模型"、中石化、国际上 SLB DELFI/Lumi 等平台均在向"平台+AI 底座"演进。这一方向潜力巨大但仍处早期，尚缺乏大规模、跨油田的严谨基准验证。

核心结论四（格局）：国际上形成"油服巨头平台（SLB DELFI、Halliburton DecisionSpace 365、Baker Hughes/其数字资产）+ 国际石油公司自研 + 专业 AI 新锐（Novi Labs 等）"的三层结构；中国已构建以中石油梦想云/昆仑大模型、中石化石化智云、中海油为核心，中国石油大学等高校为学术支撑的自主体系，在非常规产量预测、智能油田平台上追赶迅速，但在底层商业模拟器内核与工业级基础模型上仍存差距。

风险提示：数据质量与共享壁垒、模型物理一致性与可解释性、跨区块泛化能力、工程落地与人才/算力约束，是制约规模化应用的主要障碍。厂商公开宣传的精度与加速比数据口径不一，选型时须以本企业数据做独立复现验证。

行动建议：建议采取"三步走"——0~12 个月以代理模型加速数值模拟、成熟井智能递减分析切入，快速见效；12~24 个月引入物理约束与迁移学习，攻关新区块/小样本预测；24~36 个月布局时序基础模型与数字孪生闭环。投资上优先"平台+数据资产"而非单点算法。

01 · 调研背景与目标

1.1 调研缘起

油气藏生产动态预测（Production Forecasting / Reservoir Performance Prediction）回答的核心问题是：一口井、一个井组或一个区块，未来的产量、含水、压力将如何演变，最终可采储量（EUR）是多少。 这一预测贯穿油气田开发全生命周期：勘探评价阶段用于储量与经济性判断，开发阶段用于方案优化与配产，生产阶段用于动态调整与增产措施决策，废弃阶段用于经济极限判断。

传统方法体系历经百年积累，形成了递减曲线分析（DCA）、物质平衡、解析/半解析方法、油藏数值模拟四大支柱。但随着开发对象日益复杂——低渗致密、页岩非常规、深层深水、稠油热采、CCUS 与注气混相——传统方法在建模成本、多解性、外推可靠性上的局限日益凸显。与此同时，油田数字化积累了海量的生产、测井、压力、微地震、工程施工数据，为数据驱动方法提供了燃料。机器学习方法由此从学术探索走向工业试点，成为"数字油田与油气 AI"方向的核心议题之一。

1.2 核心调研问题

本报告围绕三个层次的问题展开：

• 厘清现状：机器学习在油气藏生产动态预测中的技术路线全貌、当前工业成熟度、核心痛点是什么？
• 寻找方向：哪些技术突破点（PINN、代理模型、迁移/小样本学习、时序基础模型、数字孪生）最具潜力，短中长期如何布局？
• 支撑决策：在立项、平台选型、供应商合作、投资方向上，应如何取舍？

1.3 调研范围界定

• 技术范围：覆盖传统方法（DCA/RTA、物质平衡、解析法、数值模拟）与机器学习方法（经典 ML、深度时序、PINN、代理/降阶模型、时序基础模型、GNN、迁移/小样本学习）。
• 应用范围：常规与非常规（页岩油气、致密油气）油气藏的产量预测、EUR 预测、历史拟合与生产优化。
• 地域范围：全球视野，重点覆盖北美、中东、欧洲及中国。
• 时间范围：以 2020—2025 年最新进展为重点，追溯历史脉络，展望未来 12~36 个月。

1.4 调研方法说明

本报告采用多源信息交叉验证方法，综合权威学术文献（SPE 系列会议与期刊、*Geoenergy Science and Engineering*、*Fuel*、*Energy*、*SPE Journal*、*SPE Reservoir Evaluation & Engineering*，以及《石油勘探与开发》《石油学报》等中文核心期刊）、国际油服公司技术白皮书与产品资料、专利信息、行业报告与政策文件，形成宏观（行业趋势）—中观（技术路线与竞争格局）—微观（算法原理、案例、专利）多层次分析。所有关键论断均有来源支撑，来源清单与可信度评级见配套《参考文献汇总》。

02 · 技术现状全景

2.1 核心概念与预测对象

油气藏生产动态预测的输出通常包括：产油/产气/产水速率的时间序列、累计产量、含水率与气油比演化、井底/地层压力、以及最终可采储量 EUR。预测的时间尺度从短期（数天到数月的实时优化）到长期（数年到数十年的全生命周期 EUR）不等；空间尺度从单井到井组、区块乃至全油田。

从方法论看，可将全部方法置于一条"物理先验强度"到"数据依赖强度"的谱系上：

• 强物理、弱数据：解析模型、油藏数值模拟——机理清晰，但需要大量地质/岩石物理参数，建模与标定成本高。
• 弱物理、强数据：经典机器学习、深度时序模型——依赖历史数据拟合，机理透明度低。
• 物理-数据融合：PINN、混合模型、代理模型——试图兼取两者之长，是当前研究前沿。

!图 2-1：油气藏生产动态预测方法谱系图 *图 2-1：油气藏生产动态预测方法谱系图*

2.2 传统方法体系及其局限

（1）递减曲线分析（DCA）与现代产量分析（RTA）

Arps 于 1945 年提出的指数、双曲、调和递减模型，至今仍是全行业最广泛使用的产量预测工具，其优势在于只需产量历史数据、计算极简、可快速给出 EUR 估算。然而 Arps 模型的物理假设（边界主导流、常压差生产）在非常规油气藏的长期线性流/过渡流阶段并不成立，导致对页岩井 EUR 的系统性高估。为此，业界发展了 Duong 模型、幂律指数递减（PLE）、拉伸指数递减（SEPD）、以及基于流动区间的现代产量递减分析（RTA），引入了流动机理约束。但这些方法本质仍是"曲线族拟合"，对多相流、复杂裂缝网络、井间干扰的刻画有限。

（2）物质平衡与解析/半解析方法

物质平衡方法从储层能量守恒出发估算原始地质储量与驱动机理，解析/半解析方法（如 Blasingame、Agarwal-Gardner 典型曲线）在特定边界条件下给出压力-产量关系。它们物理清晰、计算快，但对非均质性、复杂几何与多相流的适应性有限，通常作为快速评价与数值模拟的补充。

（3）油藏数值模拟

数值模拟（黑油模型、组分模型、双重介质/离散裂缝模型）是刻画油藏流动最严谨的工具，能处理复杂地质、多相多组分、复杂井网与工艺。但其代价是：网格建模与属性建模周期长（大型模型可达数月）；单次全物理模拟耗时从数分钟到数小时甚至更久；历史拟合是高维反问题，存在严重多解性，人工拟合依赖经验且耗时。正是数值模拟的"慢"与"多解"，为代理模型和数据驱动历史拟合创造了最直接的用武之地。

【表 2-1：传统方法与机器学习方法特征对比】

2.3 机器学习方法的技术演进脉络

机器学习进入油气藏产量预测大致经历三个阶段：

• 第一阶段（2010 年前后—2016）：经典机器学习起步。以人工神经网络（ANN）、支持向量机（SVM）、随机森林等为主，多用于将地质工程参数（如页岩井的完井参数、地质属性）映射到产量或 EUR，本质是回归/统计学习，用于"批量井"预测与筛选。
• 第二阶段（2016—2022）：深度学习与时序建模兴起。随着深度学习普及，LSTM、GRU 等循环网络被广泛用于产量时间序列预测；CNN 用于空间特征提取；集成学习（XGBoost、LightGBM）因在结构化数据上的强表现成为竞赛与工程首选。
• 第三阶段（2022—至今）：物理融合与大模型化。研究重心转向解决泛化与物理一致性问题：PINN、混合物理-数据驱动模型、代理模型加速数值模拟成为热点；Transformer 长序列架构、时序基础模型开始被引入；数字孪生将预测嵌入实时闭环。

!图 2-2：机器学习在油气产量预测中的技术演进时间轴 *图 2-2：机器学习在油气产量预测中的技术演进时间轴*