基于PU学习与递减模型的页岩油产能预警方法.pdfVIP

石油科学通报2025年10月第10卷第5期：941-953

基于PU学习与递减模型的页岩油产能预警方法

11*22213,4

李宏宏，郑力会，左学谦，齐涛，李思琦，赵鑫祎，郑马嘉

1中国石油大学(北京)人工智能学院，北京102249

2昆仑数智科技有限责任公司，北京102206

3中国石油勘探开发研究院，北京100083

4中国石油西南油气田公司开发事业部，成都610051

*通信作者,zhenglihui@

收稿日期:2025-06-23；修回日期:2025-09-10

摘要页岩油井在生产过程中普遍存在产量快速递减的问题，需依赖频繁实施增产措施以维持稳定产能。然而，

在实际生产管理中，准确判断油井生产是否“异常递减”面临挑战。一方面，页岩油产量受地层条件和工况波

动影响显著，预测难度较大；另一方面，现场增产措施虽频繁实施，但相关记录往往不完整或缺失，导致模型

识别与分析的困难。本文针对上述挑战，提出了一种融合正样本和无标签学习(Positive-UnlabeledLearning,PU

Learning)与经典递减模型的页岩油井异常产量递减预警方法。首先，构建基于长短期记忆网络(LongShort-Term

Memory,LSTM)的PU学习模型，利用少量已有明确标注的增产措施数据与大量未标注样本，识别油井在生产

周期中潜在的增产干预时间点，并将油井产量曲线划分为多个“自然递减段”。随后，针对各段自然产量递减过

程，建立双指数递减模型进行拟合，提取关键递减参数，并构建区域历史递减特征分布作为判断基线。在此基

础上，提出基于递减参数分布百分位的异常识别机制，实现对产量异常快速递减井段的精准预警。实证研究基

于我国某典型页岩油区块2021——2024年600余口油井的历史生产数据，结果表明：所构建的PU-LSTM识别

模型在标签不完备条件下具备良好的增产时间点判别能力，双指数递减模型拟合精度高、稳定性好，整体预警

体系在油井运行监测与干预时机判断中具有较强的实用性和工程推广价值。

关键词页岩油；产能预警；PU学习；产量递减模型；LSTM

中图分类号：TE357；TP18

ShaleoilproductionwarningmethodbasedonPULearninganddecline

model

11*22213,4

LIHonghong,ZHENGLihui,ZUOXueqian,QITao,LISiqi,ZHAOXinyi,ZHENGMajia

1CollegeofArtificialIntelligence,ChinaUniversityofPetroleum,Beijing102249,China

2KunlunDigitalTechnologyCo.Ltd.,Beijing102206,China

3ResearchInstituteofPetroleumExplorationandDevelopment,Beijing100083,China

4ChinaNationalPetroleumCorporationDevelopmentDivisionofSouthwestOilandGasFieldBranch,Chengdu610051,

China

引用格式：李宏宏,郑力会,左学谦,齐涛,李思琦,赵鑫祎,郑马嘉.基于PU学习与递减模型的页岩油产能预警方法.石油科学通报,2025,

10(05):941-953

LIHonghong,ZHENGLihui,ZUOXueqian,QITao,LISiqi,ZHAOXinyi,ZHENGMajia.Shaleoilproductionwarningmethodbased

onPULearninganddeclinemodel.PetroleumScienceBulletin,2025,10(05):941-953.DOI:10.3