学术研究报告：TST-Refrac——基于Transformer架构的重复压裂油井产量预测新方法

一、研究团队与发表信息
本研究由Diquan Li（第一作者）、Jing Jia、Lichang Wang（通讯作者，邮箱：wlccsu@csu.edu.cn）等合作完成，作者单位包括中南大学地球科学与信息物理学院（中国长沙）、中国石油西部钻探井下作业公司（中国克拉玛依）及深地资源与能源技术创新中心（中国长沙）。论文《TST-Refrac: A Novel Transformer Variant for Prediction of Production of Re-Fractured Oil Wells》发表于2024年《Journal of Physics: Conference Series》第2901卷，属开放获取（Open Access）论文，DOI编号10.¹⁰⁸⁸⁄₁₇₄₂-6596/2901/1/012030。

二、学术背景与研究目标
科学领域：本研究属于石油工程与人工智能交叉领域，聚焦于油气田开发中的重复压裂（Re-Fracturing）产量预测问题。
研究动机：中国非常规石油产量占比不足2%，成熟油田的稳产依赖低效井的重复压裂技术。然而，传统预测模型（如RNN、LSTM）难以捕捉油井生产数据的长程依赖性（Long-Range Dependencies）和高维非平稳性（Non-Stationarity），导致预测精度不足。
研究目标：提出一种基于Transformer架构的改进模型TST-Refrac，通过时间窗口滑动法和多头自注意力机制（Multi-Head Self-Attention），解决重复压裂后产量时序数据的建模难题，为压裂选井提供决策支持。

三、研究方法与流程
1. 问题定义与数据准备
- 数据来源：新疆准噶尔盆地W区块的9口油井生产数据（随机选取），包含300个月的历史产量记录（部分月份因维护缺失）。
- 输入输出：以7个时间步（Sliding Window）的产量数据为输入，预测当前产量。协变量（Covariates）包括时间相关特征（如季节、日期）。
- 评价指标：均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）。

1. 模型架构设计

   • 核心改进：在经典Transformer编码器基础上，引入时间窗口嵌入（Time Window Embedding）和位置编码（Positional Encoding），模型维度设为16，编码器层数3层，注意力头数4个。
     
   • 关键模块：
     
     • 嵌入层：将原始数据映射至高维空间（d=16）。
       
     • 多头注意力层：并行计算不同子空间的注意力权重，捕获长程依赖。
       
     • 前馈网络：逐点非线性变换，增强特征表达能力。
       
     • 正则化：采用Dropout（丢弃率未明确）、残差连接（Residual Connection）和层归一化（Layer Normalization）防止过拟合。
       

2. 实验验证

   • 对比模型：RNN（3层）、LSTM（3层），参数统一（批量大小20，序列长度7）。
     
   • 训练与测试：
     
     • 历史数据拟合：9口井的RMSE对比（TST-Refrac: 0.4475 vs. LSTM: 0.8806 vs. RNN: 1.1053）。
       
     • 新井验证：2023年6-7月压裂的6口井，预测90天和180天累计产量，准确率分别达95.61%和96.86%（表1）。
       

四、主要研究结果
1. 模型性能优势
- TST-Refrac的RMSE显著低于传统模型（降低49%以上），证明其捕捉长程依赖的能力更强。
- 实际压裂井验证中，单井预测误差均低于5%（如5D002井180天预测误差仅1.01%）。

1. 技术突破
   
   • 时间窗口滑动法：将连续时间序列转化为局部片段，解决了Transformer对长序列计算效率低的问题。
     
   • 动态参数调整：通过在线学习（Online Learning）适应井下环境变化，优于静态模型。
     

五、结论与价值
1. 科学价值：首次将Transformer架构应用于油气行业重复压裂产量预测，证明了其在时序数据建模中的普适性（Universal Approximator）。
2. 应用价值：
- 工程决策：高精度预测可优化压裂选井，提升原油采收率（Recovery Factor）。
- 技术扩展：模型可迁移至井下监测（如传感器数据融合、异常检测）和动态控制系统。

六、研究亮点
1. 方法创新：提出首个针对重复压裂的Transformer变体（TST-Refrac），结合时间窗口与注意力机制。
2. 数据验证：基于真实油田数据（准噶尔盆地W区块），覆盖历史拟合与新井预测双场景。
3. 跨学科意义：为石油工程与人工智能的深度融合提供了可复用的技术框架。

七、其他价值
论文建议将TST-Refrac扩展至以下方向：
- 多源数据并行处理（如井下传感器异构数据融合）；
- 因果推理（Causal Inference）结合，分析压裂参数与产量的因果关系；
- 自动化报告生成（集成NLP与GAN技术）。

资助信息：研究获湖南省可持续发展议程创新示范区专项（2023SFQ14）、湖南省科技创新计划（2023RC3051）及长沙市科技计划（KH2401026）支持。