致密气藏由于其低孔低渗和强非均质性的地质特征,导致气体渗流机制复杂,难以准确建立产量预测模型。产量受压裂改造、开采制度等多重因素影响导致波动性较大,增加了产量预测的不确定性。此外,致密气藏的历史生产数据通常较为有限从而导致数据质量参差不齐,进一步制约了模型的训练效果和泛化能力。本文提出了一种基于迁移学习的致密气藏压裂井产量预测方法,通过迁移单变量和多变量神经基函数扩展分析时间序列模型(N-BEATS)预测气井产量。主要研究工作如下: (1)首先在M4竞赛数据集上对N-BEATS单变量模型进行了预训练,该数据集共包含10万条多样化的时间序列数据并涵盖金融、经济、工业、人口等多个领域。在该大规模、多样化的数据集上训练使得模型能够学习到通用的时间序列模式与趋势特征,为后续在产量预测中的迁移学习打下坚实基础。 (2)预训练后的N-BEATS模型被迁移应用于苏里格气田14区块的苏A1和苏A2压裂气井,分别对其短期、中期和长期日产量进行预测。实验结果显示,基于N-BEATS的迁移学习模型在各预测周期内均优于采用注意力机制的长短时记忆网络(A-LSTM)模型。苏A1井的短期、中期和长期产气量预测的均方根误差分别降低了19.5%、19.8%和26.8%。结果表明,N-BEATS在预训练后具备良好的迁移能力,能显著缓解A-LSTM模型在历史数据有限条件下预测精度低的问题。 (3)选取苏14区块中23口数据质量较高的压裂气井,其产气量与套压的历史数据对多变量N-BEATSx模型进行预训练,随后将模型迁移应用于苏A1和苏A2气井的短期、中期和长期产量预测任务。预测结果表明,苏A1气井的均方根误差分别降低了23.9%、39.1%、33.1%。 本研究为解决致密气藏历史数据不足、模型泛化能力差等问题提供了新的思路。通过在其它气藏或相关任务中学到的知识迁移到目标致密气藏,可以有效减少产量预测对大量生产数据的依赖从而提高模型在小样本条件下的预测精度,在致密气藏产量预测中展现出良好的应用前景。