唔叽哩接手“油气田预测”这个项目之前，我以为它无非就是拿历史产量数据训练一个模型，往后外推，给老板画一条漂亮的产量曲线。真正入场后才发现，这条曲线背后挤着三个完全不同的决策问题：能不能稳产、该不该调注水、要不要上措施。它们对预测颗粒度、时间尺度和误差容忍度的要求完全不同，如果一开始没把这些理清楚，后面模型做得再花哨也很难落地。
这篇文章是我做完这个项目的完整复盘，内容包括传统递减曲线分析、数据清洗与特征工程、机器学习与物理规律混合建模、模型评估和部署，以及几个让模型“静默失效”的坑。适合正在做油藏工程数据分析、AI算法落地，或者想了解工业场景里时间序列预测怎么在脏数据中活下来的读者参考。
1. 项目背景：写第一行代码前，先把“预测什么”问明白
1.1 老板要的不是一条曲线，而是三个决策答案
项目启动会开完，我从会议室出来，脑子里记了一堆需求关键词：“全厂月度产量预测”“单井产量预测”“递减趋势分析”“异常井预警”。听起来都是预测，实际上对应的是三种完全不同的模型任务，团队的建模策略也完全不同。
第一个任务是区块尺度的稳产评估。管理层关心的是未来12个月甚至24个月整个区块的月度总产量是否稳得住，这直接关系到生产指标分解、设备排产和下游销售合同。这种预测往往是季度、月度级别的中长周期预测，允许误差的主要来源是递减趋势判断偏差和重大措施的时间点影响。
第二个任务是单井尺度的措施优选。采油工程师每天面对的是上百口井，他们想知道未来1到3个月内，哪口井的产量会明显下滑、哪口井的含水率正在快速上升、哪口井值得安排一次检泵或者调参作业。这个任务的预测目标是单井的近期产量方向，精度要求并不苛刻，但方向必须对，而且模型要给得够快，才能支持批量化的井组筛选。
第三个任务是递减率变化的早期识别。这个任务最容易被忽略，其实也最关键。如果一口井在没有任何工程干扰的情况下递减率突然从5%跳到12%，这往往意味着地层能量供给出了问题，或者井筒出现了隐性故障。这种识别本质上不是预测未来产量，而是对“历史趋势是否发生结构性突变”做在线诊断。
后来我把这三个任务分别建模，没有强行套一个模型去解决所有问题。这是整个项目里我最后悔没早点做的事，也是我最想先告诉你的经验：油气田预测听起来是一个目标，拆开以后是三个决策问题，每个问题的输入特征、时间窗口、损失函数和评估指标都应该单独设计。
1.2 单井模型汇总，算不出区块总量这个“反直觉问题”
项目初期，我们很自然地按“自下而上”的思路推进：先把每一口井的产量预测做准，然后加总得到区块总产量。当时选了LSTM对每口井单独建模，单井的拟合效果看起来相当不错，训练集上日产油曲线和真实值贴合得很漂亮。
结果一上线，问题立刻暴露。80多口单井预测值汇总之后，区块月度总产量的MAPE高达18%，而我们直接用区块历史总量数据训练一个简单模型，误差只有12%。这个现象把项目组所有人都看懵了：单井模型拟合得那么好，为什么加起来反而不准？
复盘之后原因其实很清楚。第一，低产井的产量基数很小，但单井模型的相对误差可能很大，比如一口日产量只有1吨的井，误差0.3吨就是30%的MAPE，这些误差在汇总时并不会互相抵消，反而会累加。第二，同一区块内的井之间存在联动，注水受效井、邻井干扰井的产量波动是相关的，单井模型各自为政，根本学不到井间干扰这种区块层面的非线性关系。
后来我们调整了策略：区块总量用区块级模型直接预测，单井产量不预测绝对值，而是预测它相对区块均值的“份额偏移”。模型结构完全重做之后，区块总产量的MAPE降到了7.6%，单井预测也保留了指向性。这个经验让我非常感慨：预测任务的对象不同，数据聚合的层次也就不同，模型的输入输出设计都必须跟着对象走，而不是机械地套“单井预测加总”的流程。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 递减曲线分析：老办法的物理边界，决定它什么时候能兜底
2.1 Arps递减曲线：油藏工程教科书里的第一个预测模型
聊油气田产量预测，绕不开Arps递减曲线。这个方法从1945年提出到现在，依然是油藏工程师做产量预测的首选工具之一，它的核心假设是：在定压边界条件下，产量随时间的递减率遵循一定的统计规律。
Arps曲线分成三种基本形式：
- 指数递减：
q = qi * exp(-D * t)，递减率D为常数，对应“产量对数对时间呈直线下降”的情况。 - 双曲递减：
q = qi / (1 + b * Di * t)^(1/b)，递减指数b介于0和1之间，递减率随产量下降而逐渐变小，这是实际油井中最常见的形态。 - 调和递减：双曲递减中b等于1的极端特例，递减最慢，通常只出现在强弹性驱或部分气井中。
拟合Arps曲线不需要复杂工具，Excel里就能做。指数递减最简单：对产量取自然对数，然后对生产时间做线性回归，斜率的负值就是递减率D。双曲递减要做非线性拟合，常见的做法是把b和Di放进网格搜索里，找到使拟合残差最小的一组参数。
这里有一个关键概念：递减率D不是凭空拍出来的，它有物理意义，反映了地层能量释放的速度。一口井的地层压力高、渗流条件好，递减率通常就低；如果含水快速上升或者近井地带污染，递减率就会加大。油藏工程师判断一口井是否“健康”，第一个看的指标就是递减率的变化。理解了这一层，你才能理解后面为什么我们要让机器学习向递减曲线“借力”。
2.2 现场条件下的递减曲线为何经常失效
传统递减曲线方法有一个隐藏前提：油井的生产方式必须保持不变，地层能量按自然规律消耗殆尽。现实中的油田生产远没有这