★ FEATURED ARTICLE 简介面向油井生产动态预测场景这套Python源码以PyTorch为框架分别搭建CNN、RNN、LSTM、Self-Attention与Seq2Seq模型对生产数据开展时间序列建模与效果对比适合深度学习课程设计、期末大作业以及石油工程领域数据建模初学者使用。资源共232个文件压缩包9.04MB包含58个py脚本、7个ipynb交互式笔记本、18个pth模型权重文件、41个txt说明文件、6个csv生产数据以及86个png可视化图表目录结构清晰便于对照源码与图表理解建模流程。针对油井生产动态预测这一典型回归问题资源提供了从数据读取、模型构建、训练到误差输出的完整链路部分notebook还结合ARIMA等经典统计模型进行对比体现传统时间序列与深度学习的差异。已有157人学习浏览适合希望快速上手多种深度学习序列建模方法、完成实验报告或课程展示的读者。1. 油井生产动态预测是什么深度学习到底在预测什么做油井生产动态预测这件事最直接的需求来自采油工程和油藏管理你要知道一口井接下来一个月、一个季度的产油量会怎么走才能决定要不要上措施、什么时候上措施。传统的做法是用Arps递减曲线拟合产量历史但对见水、气窜、措施增产这些工况它常常跟不上变化。把深度学习搬进来核心思路是让CNN、RNN、LSTM这些网络直接从历史生产数据里学规律用过去一段时间的产量、压力、含水率去预测未来的生产动态。适合做这件事的人有两类一类是油田现场工程师手里有大把历史数据但缺建模方法另一类是算法工程师熟悉时间序列预测但不太清楚油井数据有哪些坑。这篇落地笔记就按后者的视角展开覆盖从数据清洗、构建训练集到三种模型实现和调参避坑的完整链条。2. 为什么油井动态预测绕不开时间序列建模先解决两个数据前提2.1 油井生产数据的三个特点高噪声、非平稳、强自相关油井日产油量、日产液量这种序列和股价、气温不一样的地方在于它有三个很扎手的特征。第一是高噪声井口量油本身有误差加上天气、设备工况、人为操作的干扰单日的产量值经常出现莫名其妙的毛刺。第二是非平稳一口井从投产到稳产再到递减均值一直在变新区块的井可能还在放产老区块的井已经在递减段挣扎。第三是强自相关今天的产油量往往跟前几天甚至前一个月的工作制度、地层压力密切相关序列内部的时间依赖不是简单的一阶马尔可夫关系而是多尺度、多周期叠加的结果。这三个特征直接决定了模型选型和数据预处理的方向。自相关强说明用滑动窗口把过去一段时间的观测喂给模型是合理的非平稳说明不能直接拿原始产量值硬训否则模型学到的可能是“均值在漂移”这个伪规律而不是真实的生产动态噪声高说明第一步必须做异常值识别与清洗否则网络很容易被一两个离群点带偏。后面的所有处理和建模实际上都是在跟这三条特性做对抗。2.2 数据清洗与异常值处理把射孔、检泵、关井的影响从样本里剔除油井生产数据里最常见的异常不是数值超界而是生产状态被人为改变。比如检泵作业期间产量掉到接近零这不是地层变差是停井比如酸化压裂后产量突然翻倍这不是自然递减的规律是措施增产。如果不把这些段位从样本里剔掉模型会学到“产量可以一夜之间从5吨跳到20吨”这种无意义规律。我一般会先做一个三层过滤。第一层是物理边界过滤日产液量、产油量必须大于等于0且小于某个工程上限低于下限或超上限的置为空值。第二层是工况过滤如果井的开关井记录里有“检泵”“压裂”“关井”等标记把对应时间点前后各3天的数据打上掩码不进入训练集。第三层是统计离群过滤对连续30天的窗口做中位数绝对偏差MAD检测偏离超过3倍MAD的点用前后两天的中位数填充。import numpy as np import pandas as pd def filter_well_outliers(df, coloil_rate, window30, n_sigma3): # 第一层物理边界 df.loc[df[col] 0, col] np.nan df.loc[df[col] 30, col] np.nan # 上限由区块实际产能决定 # 第二层工况掩码workover_flag 由作业记录表关联生成 mask df[workover_flag].rolling(7, centerTrue, min_periods1).max() df.loc[mask 1, col] np.nan # 第三层滚动 MAD 离群检测 median df[col].rolling(window, centerTrue, min_periods10).median() mad (df[col] - median).abs().rolling(window, centerTrue, min_periods10).median() df.loc[(df[col] - median).abs() n_sigma * 1.4826 * mad, col] np.nan # 对空值做线性插值保持序列连续 df[col] df[col].interpolate(methodlinear, limit_directionboth) return df这里有个关键参数容易被人忽略min_periods。新井投产初期的历史数据不足30天滚动窗口算出来的中位数和MAD本身就是缺的这时候不要硬算离群点否则前几天的有效数据会被误杀。我一般会把min_periods设为窗口的一半也就是至少10个有效观测才参与统计。另外1.4826这个系数是把MAD换算成与标准差同尺度的常数标准正态分布下MAD约等于0.6745倍标准差取倒数就是1.4826很多人在这一步直接用MAD本身做阈值遇到厚尾分布的数据会频繁误报。清洗之后还要做一步很多人忽略的事把序列重采样到统一的时间频率。油井生产数据可能按天报产也可能按小时采集如果不统一到同一个时间轴上后面构造滑动窗口时会错位。我的习惯是统一到“天”当天产量缺失就按前后两天均值补连续缺失超过5天就把这段序列截断成独立样本不强行插值。3. 把数据切成模型能吃的形状滑动窗口数据集构造与参数选择3.1 滑动窗口的构造逻辑用过去t天的数据预测未来h天油井生产动态预测本质上是个有监督的时间序列回归问题。要做成监督学习就得回答两个问题拿多长的历史当输入预测多远的未来当输出这两个数就是lookback和horizon。lookback设太短模型看不到产量递减的整体趋势设太长一方面训练数据量骤减另一方面LSTM的长期记忆能力也会被噪声稀释。horizon设得太远预测结果几乎等于持续递减的外推深度学习相比传统拟合的优势体现不出来。我的经验是日级数据上lookback取2842天比较稳。为什么是28油井生产往往受月度和周度工作制度影响28刚好覆盖4个自然周能让模型看到至少一个完整的工作制度周期。horizon取714天这个跨度足够支撑“下个月要不要上措施”的工程决策又不会拉到模型完全丧失置信度的程度。特征上不要只给产量一列把套管压力、油压、含水率、气油比都放进去油井动态是一个多变量耦合系统只拿产油量单变量做自回归模型学到的基本就是“昨天的产量衰减到今天的产量”这种平庸映射。3.2 完整的数据集切分代码与参数说明训练/验证/测试三段式构造数据集时要特别注意时间顺序。油井生产数据不是独立同分布的样本不能用随机切分必须按时间先后切成训练段、验证段、测试段。一般按6:2:2或者7:2:1分配。下面这段代码把清洗后的DataFrame切成长度为lookback horizon的样本矩阵。def make_sequences(df, feature_cols, lookback28, horizon7, step1): data df[feature_cols].values.astype(np.float32) X, y [], [] for i in range(0, len(data) - lookback - horizon 1, step): X.append(data[i : i lookback]) # 预测目标取未来 horizon 天产油量的均值减少单日噪声 y.append(data[i lookback : i lookback horizon, 0].mean()) return np.array(X), np.array(y) # 按时间顺序切三段 train_df df.iloc[: int(len(df) * 0.7)] val_df df.iloc[int(len(df) * 0.7) : int(len(df) * 0.85)] test_df df.iloc[int(len(df) * 0.85) :] X_train, y_train make_sequences(train_df, FEATURES, lookback28, horizon7) X_val, y_val make_sequences(val_df, FEATURES, lookback28, horizon7) X_test, y_test make_sequences(test_df, FEATURES, lookback28, horizon7) # 注意归一化参数必须只在训练段上拟合 from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_train scaler.fit_transform(X_train.reshape(-1, X_train.shape[-1])).reshape(X_train.shape) X_val scaler.transform(X_val.reshape(-1, X_val.shape[-1])).reshape(X_val.shape) X_test scaler.transform(X_test.reshape(-1, X_test.shape[-1])).reshape(X_test.shape)step1意味着相邻样本之间只差一天存在大量重叠信息。这么做是为了喂饱模型——油井每日记录的口数有限几口井拼起来也就几千行到几万行不复用样本根本不够训。但代价是验证集和测试集的预测难度被低估了因为训练集里包含了与测试集前28天高度重叠的窗口。更严格的做法是让验证集、测试集样本与训练集样本在时间上完全不相交也就是make_sequences的起点从训练集末端再往后推一个lookback这样验证和测试样本的输入区间不会出现在训练集里。标了horizon但预测目标这里用了均值如果后续要做7天逐日预测需要把y改成二维数组损失函数也要相应调整。归一化方面有一个容易翻车的细节StandardScaler必须在训练段上fit再对验证段、测试段做transform。有些人在全量数据上做标准化相当于让测试集的均值方差参与了训练数据的归一化这属于标签泄露的一种温和形式会高估模型在未知数据上的表现。油井产量序列之间的量纲差异很大新井可能日产30吨老井可能只有1吨如果不分井归一化模型会被高产井主导。4. 从CNN到RNN再到LSTM三种模型的实现与选型逻辑4.1 一维卷积CNN用卷积核提取局部趋势特征很多人觉得CNN是图像分类的东西用在油井生产预测上感觉不搭。但一维CNN在时间序列上有个天然优势卷积核就是局部时间模式检测器。一个大小为5的卷积核扫过28天的输入窗口实际上就是在检测“连续5天的产量变化模式”——是平稳、是上升、还是加速递减。多个卷积核并行相当于同时让模型从不同尺度观察数据。用Keras实现一维CNN做回归非常简洁。关键参数是卷积核大小和数量。核大小我一般取5或7对应日级数据上的一周左右的局部模式核数量从32开始数据量大的井可以加到64。池化层不要用MaxPooling用GlobalAveragePooling或者干脆不用池化因为MaxPooling会让时间维信息丢失太快28天的输入压到7天再压到3天模型就分不清“第3天减产”和“第25天减产”的区别了。from tensorflow.keras import Sequential from tensorflow.keras.layers import Conv1D, GlobalAveragePooling1D, Dense, Dropout def build_cnn(lookback28, n_features5): model Sequential([ Conv1D(filters32, kernel_size5, activationrelu, input_shape(lookback, n_features)), Conv1D(filters32, kernel_size5, activationrelu), GlobalAveragePooling1D(), Dense(16, activationrelu), Dropout(0.2), Dense(1) ]) model.compile(optimizeradam, lossmse, metrics[mae]) return model两个卷积层叠起来不是为了“深”而是让第二层卷积能看到第一层特征的组合模式——比如“持续5天平稳后又连续2天下跌”这种二阶时间模式。油井产量受工作制度影响大单一尺度的卷积核能捕捉的模式有限两层堆叠往往够用。但CNN的硬伤在于它没有显式的循环结构虽然感受野能覆盖完整输入但“第25天发生的事情和电第3天的事情有依赖关系”这种远程路径依赖CNN学起来很吃力。这也是为什么单用CNN做长时间预测效果一般的原因。4.2 RNN的短板与LSTM的改进梯度消失问题怎么解决RNN按时间步展开理论上能记住任意距离的依赖。但实际训练里标准RNN的梯度在时间反向传播中会指数级衰减或爆炸尤其是序列长度超过20步时早期时间步的权重几乎得不到有效更新。这在线性结构的时间序列上问题不大但油井生产动态里“一个月前的产量水平影响今天的递减率”这种长距离依赖是客观存在的普通的RNN单元基本学不到这一层。LSTM的改进是引入了一个细胞状态cell state它在时间方向上以近乎线性的方式流传梯度可以无损经过。这个结构设计的好处是模型可以选择性地遗忘或保留信息。油井生产动态里模型需要用到的信息是有层次的短期含水率的波动需要保留但“去年同一天的产量”则明显该被遗忘。LSTM的三个门控——输入门、遗忘门、输出门——正是为此设计的。from tensorflow.keras.layers import LSTM, Dense, Dropout def build_lstm(lookback28, n_features5, units64): model Sequential([ LSTM(unitsunits, return_sequencesTrue, input_shape(lookback, n_features)), LSTM(unitsunits // 2, return_sequencesFalse), Dropout(0.2), Dense(16, activationrelu), Dense(1) ]) model.compile(optimizeradam, lossmse, metrics[mae]) return model第一层LSTM设置return_sequencesTrue是为了把完整的隐藏状态序列传给第二层如果直接输出单个向量第二层LSTM能用的信息量会被截断。units是LSTM的记忆容量日级油井数据每口井几百条样本units取64通常已经足够。取到128以上模型参数量上升很快但训练数据量没跟上很容易过拟合每天的产量波动会被当成重要模式记忆下来。LSTM的一个训练难点是它对输入特征的尺度极其敏感如果归一化没做好权重更新会被大数值特征主导。另外要留意LSTM自带了对时间顺序的记忆机制输入序列不要shuffle否则记忆的方向性就乱了。4.3 训练循环与早停策略验证集损失不降就停训练深度学习模型时最愚蠢的做法是固定epoch数量从头训到尾。LSTM这类网络收敛速度变化很大有时候20轮就到最优有时候跑80轮还在缓慢下降。一个可靠的做法是设定较大的最大轮数加上早停EarlyStopping用验证集损失决定保留哪一轮的参数。from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau early_stop EarlyStopping( monitorval_loss, patience15, restore_best_weightsTrue ) reduce_lr ReduceLROnPlateau( monitorval_loss, factor0.5, patience8, min_lr1e-5 ) history model.fit( X_train, y_train, validation_data(X_val, y_val), epochs200, batch_size64, callbacks[early_stop, reduce_lr], shuffleFalse, verbose1 )这里shuffleFalse是雷打不动的设置序列样本按时间排列shuffle会破坏窗口之间的先后依赖。有些人会认为验证集和测试集各自内部维持顺序就够了但训练集内部的shuffle同样有问题——模型会同时看到时间上前后的样本等于把未来的信息泄露给了过去。batch_size64在几千条样本上用起来中型显存都扛得住如果电脑配置紧张可以降到32。ReduceLROnPlateau的价值在于解决LSTM训练后期的平台期问题损失在某个值附近震荡上不去可能是步长太大跳过了最优点此时把学习率减半让权重更新更细腻。和早停配合起来的经验是patience设15轮意思是连续15轮验证集损失不下降就停但如果你先跑了ReduceLROnPlateau的8轮学习率已经降了一次就应该给少一点耐心否则模型会在低位学习率上白白多跑好几轮。5. 油井生产动态预测的5个常见坑现象、原因与排查顺序5.1 训练损失下降但验证集损失一路飘高——典型的特征泄露这是我在油井数据上见过最多的问题现象是训练集MAE降到0.1左右验证集MAE却在2.0以上震荡画出来就是一个剪刀差。更隐蔽的是测试集预测曲线和真实曲线高度重合但总是“错开一天”一lag对齐误差就飙升。原因是构建样本时把归一化参数在整个数据集上拟合或者切分窗口时测试段的历史输入区间混进了训练段。排查方法很简单把训练集、验证集、测试集分别对应的原始时间区间打印出来确认时间上严格连续、互不重叠检查Scaler是否只在X_train上执行了fit。这个问题不解决后面所有调参都是白费功夫。5.2 预测曲线是一条几乎水平的直线——LSTM学成了均值回归当模型输出层的预测范围被压缩到训练集目标均值附近时会产生严重拖尾。油井产量进入递减段后未来30天的目标值变化幅度不大模型发现“预测均值”这个策略在训练集上损失不算高于是选择了最保险的映射。解决思路有两个方向一是horizon要不要缩短7天的产量变化幅度小改成3天或1天能让目标值更有区分度二是损失函数换成更强调形状的指标比如在MSE基础上叠加一个惩罚项当预测值标准差小于真实值标准差时增大损失。实测后一种方法更有效因为油井动态预测最怕的不是绝对误差而是预测值没有变化趋势。5.3 模型的预测结果比真实数据波动更剧烈——训练集过拟合噪声单井月产量曲线如果每天都有±0.5吨的随机波动LSTM完全有能力把这些波动逐点背下来。现象是训练集上MAE低到0.05测试集上一旦出现真实噪声就往错误方向偏离。这个时候要分清楚油井产量波动中哪些是可控模式、哪些是不可控噪声。我通常的做法是先加Dropout从0.2往上试到0.4如果还压不住就回到数据清洗环节把MAD检测的阈值从3倍收紧到2.5倍先让训练数据的信噪比更高。注意不要用L2正则化去硬压油井时序的特征维度不高L2在这个场景下不如Dropout直接。5.4 同一套代码换一口井效果就崩——没做分井归一化或者漏掉局部参数差异不同油井的产量量级可能相差20倍工作制度也完全不同。模型如果在一口高产井上训练得很好直接拿同一套权重去预测另一口低产老井过去的经验完全不适用。排查方向一是检查是否做了分井归一化——正确做法是对每口井单独拟合计量标准保证不同井的产量被映射到相同尺度二是检查特征里是否遗漏了与工程措施有关的变量例如井口油压、冲次等三是看一眼两井的产量递减阶段是不是差异过大——还在稳产期的井和已经进入强递减期的井其动态规律本身就不是同一个函数强行共享权重属于模型误用。我现在遇到多口井建模时做法是一口井一个模型不强行做跨井泛化除非单井数据量实在不够。5.5 预测未来越远误差越大而且有延迟效应——LSTM对长期依赖的记忆在衰减LSTM虽然解决了梯度消失问题但记忆仍然不是无损的。当horizon超过14天以后预测曲线往往呈现“真实拐点之后才跟着拐”的滞后现象即未能预测产量下降的起点只是降了以后才跟随。这一点很大程度上是数据问题而非模型问题油井产量的拐点往往与措施事件、地层压力波有关纯历史产量序列里并没有携带这些未来事件的信号。改善方向有两个一是把lookback拉长到42天甚至60天给模型更多上下文去捕捉拐点前的模式二是加入外部特征比如注水井的注水量、邻井产液量的变化这些变量在拐点发生之前就有先导变化。加特征比加网络深度更有效。6. 模型选型建议与验证方法一个可复用的生产预测工作流三选一还是混着用我的习惯是单口井日频数据量少于2000条时优先LSTM它的门控机制在这个数据规模下最能稳定收敛数据量大比如有连续几年小时级数据或者需要极速推理的场景CNN结构更快RNN在实际项目里基本不会单独用。如果想做一个稳妥的高分基线就用一层CNN加一层LSTM串联CNN负责把原始序列压缩成高层特征LSTM在压缩后的特征上捕捉时间依赖。混合结构每个模型的弊端被中和我自己跑下来的效果比单纯堆同构层好得多。验证方面除了MAE外一定要关注方向命中率——预测的产量下个月是涨还是跌这个符号性判断比每日绝对误差更有工程价值。我一般会记录预测值相对测试集首日基准的变化方向与实际方向的对比方向命中率低于60%就说明模型只是把形状拟合对了趋势没有学准。另外把预测结果按未来第1天、第7天、第14天分组统计误差能得到一个误差随时间衰减的曲线画给现场工程师看时这张图比训练曲线更有说服力。最后说一个我自己的教训调参时不要迷信LSTM的隐藏层数油井动态预测串3层以上LSTM收益基本归零训练时间倒是翻倍。先把lookback、horizon、归一化方式这几件事做对了模型结构的改良只是锦上添花。希望这些踩坑记录能帮你在自己的数据上少折腾几轮。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
