【论文】郭子熙(本刊青年编委),等：深度学习在油气产量预测中的研究进展与技术展望

本文版权归天然气工业杂志社所有

未经允许，不得转载

0 　引言

油气作为战略资源，对中国经济发展、社会稳定甚至国家安全至关重要。中国虽有着丰富的油气资源，但目前主力油田普遍已进入后期开发阶段， 常规油气资源日益匮乏，非常规油气开发已成为能源行业的新趋势^[1-6]。通过对油气产量的预测，研究人员能够制订更加合理的开采方案、保障科学生产、优化生产环节，对油气产业协调发展、企业投资决策具有重要意义^[7-8]。随着机器学习的蓬勃发展，数智化的油气产量预测已成为行业前沿热点，有望达到对非常规油气田产量的精准预测，更好地把控生产制度，实现油气的稳定高产^[9-11]。

深度学习是机器学习的一个重要分支，专注于使用多层神经网络来解决复杂问题。与传统的机器学习方法相比，深度学习在处理大规模数据和高维特征方面表现出色。目前，深度学习已经广泛应用于计算机视觉、自然语言处理、语音识别和自动驾驶等领域。随着技术的进步与应用，深度学习将进一步推动人工智能在各行业领域的交叉融合，提供辅助决策，达到降本增效。

笔者对深度学习在油气产量预测领域的发展现状进行充分调研，结合当前实际开发需求，对不同发展阶段油气产量预测方法进行了系统性阐述，分析了各方法优缺点，并对深度学习在油气产量预测中的关键流程及改进方向进行了梳理及阐述，最后探讨并展望了油气产量预测技术的未来发展方向。

1 　油气产量预测方法发展历程

随着油气开发生产的不断深入，行业重心逐渐从常规资源转向致密岩性油气、页岩油气、煤层气等非常规资源^[12-14]，也由于地质条件复杂、储层非均质性等因素，使得传统的预测模型变得不再适用， 需要更加精细和智能的方法来解决油气产量预测的复杂问题。

1956 年，人工智能（Artificial Intelligence，AI） 概念首次提出，随后蓬勃发展。机器学习（Machine Learning，ML）作为AI 的核心，自1959 年至今也经历了多次跨越式发展。机器学习旨在设计能够从数据中学习的算法，通过总结大量数据经验，实现对数据的学习和理解。深度学习（Deep Learning，DL） 则是机器学习的子领域，通过多层神经网络逐层抽象和表示学习，在处理复杂数据时表现出色。人工智能、机器学习与深度学习的关系如图1 所示。相较于传统的数值模拟、递减曲线分析以及浅层机器学习算法， 深度学习在处理复杂生产过程中的复杂数据结构和非线性关系时具有显著优势。

人工智能的发展为非常规资源的油气产量预测提供了新的方法和工具。油气产量预测方法也从传统方法逐渐转向基于机器学习、深度学习的数据驱动型方法，并逐渐向着多种数据驱动型方法相结合、数据驱动型方法与传统方法相结合方向发展^[15-19] （图2）。油气产量预测方法的发展历程主要划分为： 传统油气产量预测方法、机器学习方法和深度学习方法3 个阶段^[20-30]。

1.1 　传统油气产量预测方法

为了准确预测油气产量并指导实际生产，研究人员通过推导油气开发过程中相关参数之间的关系， 建立一系列模型对油气产量分析求解。传统油气产量预测方法一般分为物理模拟法与经验推断法，前者主要依赖于对油气藏的物理特性和动态行为的理解，可细分为数值模拟方法、解析方法与半解析方法； 后者主要将现场数据与经验公式进行拟合，根据历史数据预测未来的油气产量。

传统油气产量预测方法具有一些优势：①经过长期实践验证，在传统油气产量预测中具有一定的准确性和可靠性；②通常基于油气工程领域的理论和经验知识，能够提供对产量预测的相对简单和直观的解释；③相对于复杂的深度学习技术，通常不需要大量数据和计算资源。但传统预测方法也存在一些不足： ①基于模拟油气藏物理过程的方法难以准确描述非常规油气储层的复杂特征和开采环境，此外，物性参数、岩石力学参数和地应力等储层信息的准确性和完整性对模拟结果的影响也较大；②解析方法与半解析方法难以充分考虑储层非均质性、生产以及工程等因素的相互影响，且预测过程基于基本的假设，难以准确模拟真实的复杂且非线性的生产过程， 无法提供足够的灵活性来捕捉数据中的所有模式和关系。

1.2 　基于机器学习的油气产量预测方法

随着油气田数字化程度的提高和非常规油气开发的发展，油田积累了大量的油气开发数据，数据驱动方法成为一种重要趋势。机器学习方法是以数据驱动的，能够对油气产量数据及相关工程参数之间的隐藏规律进行学习，分析油气井的周期性变化和生产趋势。当前，油气产量预测中应用较多的机器学习方法主要有线性回归（Linear Regression，LR）、支持向量回归（Support Vector Regression，SVR）等回归算法以及随机森林（Random Forest，RF）、梯度提升树（Gradient Boosting Decision Tree，GBDT）等集成算法。

张瑞等^[31] 为解决传统方法主观性较多、预测结果精度欠佳等问题，基于多变量时间序列及向量自回归方法，建立水驱油藏机器学习产量预测模型对井组内产油量与注水量之间的关系进行更加准确的表征。Hui 等^[32] 通过整合地质和工程因素来预测页岩气的产量。筛选井深、渗透率、孔隙度、气体饱和度等13 个参数作为输入参数，过去12 个月的页岩气产量数据作为输出参数，建立神经网络、极限树、梯度增强决策树、线性回归4 种机器学习模型进行页岩气产量预测。Chahar等 ^[33]探索了人工神经网络（ Artificial Neural Network，ANN）与RF 和GBDT 在油气产量预测上的性能差异，证明了ANN 模型在油气产量预测上的潜力。Wang 等^[34] 引入机器学习方法预测非常规致密页岩储层的母/ 子井中子井产量，证明了该方法在非常规油气产量预测中的可行性和可信度。

相较于传统方法，机器学习方法在油气产量预测中表现更好（图3）。一方面，机器学习方法无须分析地质现象蕴含的机理，无须推导物理过程中的公式，只将地质和工程因素作为变量，由数据驱动即可建模挖掘油气产量与影响因素之间的关系，降低了建模难度的同时提高了对非线性关系的拟合程度； 另一方面，机器学习方法可以通过油气生产历史数据进行预测，模型可以快速根据实际地质、工程等数据进行自动学习和调整，具有更好的灵活性和适应性。

然而，油气生产数据本质上是一个典型的时间序列结构，传统机器学习方法对油气时序信息不敏感，忽略了时间维度对产量变化的影响；同时，非常规油气的开发复杂性也导致传统机器学习方法难以充分挖掘变量间的关系，使得预测结果出现偏差； 此外，随着油田数字化、信息化的发展，数据量呈爆炸式增长，面对高维度海量数据，深度学习能够解决传统方法与浅层神经网络方法在面对地质复杂性、大数据特性和时效性等方面时出现的不足，进一步丰富油气产量预测手段。

1.3 　基于深度学习的油气产量预测方法

不同于传统机器学习方法，对于复杂的非常规油气产量预测以及考虑非线性特征影响（环境、经济等）的常规油气产量预测，深度学习方法能够更准确地预测产量并优化开采方案：①非常规油气资源的复杂性需要更高阶的特征学习方法，而深度学习方法能够从复杂的油气产量数据中提取更丰富、更精细的特征，从而更好地捕捉油气产量与工程参数之间的复杂关联；②非常规油气资源的产量受到地质和工程等多种因素的非线性影响，深层次的神经网络结构可以灵活地建模非线性关系，从而更好地捕捉油气产量与影响因素之间的复杂关联；③深度学习中的循环神经网络（Rerrent Neural Network，RNN）、长短时记忆网络（Long Short-Term Memory Network， LSTM）等网络结构能够有效处理时间序列数据，对于分析油气井的周期性变化和生产趋势至关重要； ④非常规油气产量预测需要处理大量的历史数据、地质信息和工程参数，深度学习在大规模数据集上表现出色，能够更好地进行建模和预测。

在页岩气开发过程中，产量递减曲线分析法受到高密度钻井等条件限制，Lee 等^[35] 为了解决该问题， 充分考虑页岩气产量的时序关系，基于LSTM 算法建立页岩气产量预测模型。对加拿大Alberta 地区获取到的页岩气数据进行数据清洗、特征提取、数据集划分、归一化等一系列预处理操作后，将数据输入LSTM 模型进行产量预测，比传统方法用时更短、更加准确。

在煤层气开发过程中，煤层气排采周期较长， 随着生产时间的增加，煤层气井数据具备了大数据的特征，且容易出现不完整和噪声数据。Zhao 等^[36] 针对煤层气生产过程波动较大且不稳定的特点，充分考虑生产中的时间、空间和地质特征，建立T-DGCN 产量预测模型，创新地利用动态时间扭曲（Dynamic Time Warping, DTW）测量井间地质特征的相似性， 并将地质特征与空间特征融合，并利用GRU（Gate Recurrent Unit）提取产气量的时间特征，实现日产气量预测，为煤层气开发方案调整和长时序预测提供了理论指导方法。

在致密油地层开发过程中，由于当前对多相流体流动和多尺度复杂裂缝网络背后的物理规律尚未完全了解，准确预测致密油产量依然具有挑战性。为了能够更好地捕捉致密油生产序列复杂的变化规律， 更准确地预测致密油产量，Li 等^[37] 结合深度学习与物理约束，提出了一种基于双向门控循环单元（Bi- Gate Recurrent Unit，BiGRU）和深度混合神经网络（Deep Hybrid Neural Network，DHNN）组合神经网络（BiGRU—DHNN）的物理约束深度学习框架，充分利用物理知识和深度学习的互补优势，利用迭代预测策略实现能够保持物理一致且准确的长期产量预测，并将该框架应用于两个井组，验证了模型的优越性。

Li 等^[38] 认为机器学习以及普通神经网络模型虽然能够凭借其强大的非线性映射能力准确地预测产量，但进行多步预测仍然具有挑战性，存在误差累积、不确定性增加以及精度下降等情况。为此，提出了一种结合BiGRU 和多任务学习（Multi-Task Learning， MTL）联合神经网络（BiGRU—MTL）的多步产量预测方法，实现对非常规压裂井多时间步的超前预测。同时，通过模拟井、现场单井和现场井组进行试验，探究了模型的有效性。结果表明，相比于普通神经网络模型，所提出模型的多步超前产量预测结果与实际产量更加吻合，显著提高了预测的鲁棒性、稳定性和泛化能力。

综上所述，深度学习方法在常规和非常规油气的产量预测中已有广泛应用，且取得诸多成果（表1）。此外，深度学习方法在进行油气产量预测时的主要区别体现在应用目标不同、问题侧重点不同和使用模型方法不同，使用的深度学习网络多以LSTM、GRU 为基础模型，少量以时域卷积网络（Temporal Convolutional Networks，TCN）、图卷积神经网络（Graph Convolutional Network，GCN）、Transformer 等为基础模型，然后在基础模型或基础模型的变体上通过增加特征提取、注意力机制等方式进行优化。

传统方法与深度学习方法进行油气产量预测优缺点如表2 所示，显然，在常规油气产量预测中，传统方法与深度学习方法都能够进行较好的应用，对于非常规油气的产量预测，由于油气生产影响因素复杂，难以建立产量与影响因素的关系模型，导致传统方法应用困难，而深度学习方法工作流程简单， 不需要预先假设油藏类型，且在不同场景下可以选择多种神经网络结构，适应性强，在非常规油气的产量预测有着更好的表现。

2 　基于深度学习的油气产量预测关键流程

深度学习是由数据驱动的黑盒模型，数据样本的质量、数量以及分布等对模型的优劣起到决定性的作用。虽然深度学习在一般情况下无须先进行特征工程，但是在地质工程一体化的理念指导下，针对油气产量预测这种受地质条件和开发过程共同影响的复杂问题，油气产量数据样本呈现出多源异构、多尺度、多模态、高维度等特点。因此，在应用深度学习进行油气产量预测时，需要先进行有效的特征工程，为预测模型提供准确、可靠的数据基础。

使用深度学习方法进行油气产量预测研究一般流程主要分为数据预处理、模型构建、模型训练、验证以及预测（图4）。其中，在数据预处理阶段，首先要收集原始数据，进行数据集的整合与分类，以供后续的分析；其次，需要对数据进行质量检查，处理缺失值、异常值等以提升数据质量，进行归一化处理以消除量纲影响；之后，分析产量相关影响因素， 进行特征工程、数据集划分工作，以便建立深度学习模型。在模型构建阶段，根据所要解决的问题及数据特点，如多输出预测、小样本数据预测等，选择不同的深度学习模型。在模型训练阶段，可通过结合最优化算法进一步提升模型性能。模型的验证及测试阶段则通过量化指标进行评价，以验证所建立模型的优劣。为提高预测准确度，当前研究主要针对特征工程及网络构建进行优化。

2.1 　特征工程

传统特征工程方法中，进行数据清洗之后，一般通过主控因素分析探讨数据集之间的相关性，如Pearson 相关性分析、Spearman 相关性分析、Kendall 秩相关性分析、卡方检验等，并通过相关性大小对影响因素进行排序，选取相关性较大的影响因素作为输入参数。然而，这些方法通常只考虑单个特征与目标变量之间的关系，忽视了特征之间可能存在的交互效应；当特征数量较多时，高维数据中可能存在大量无关特征，干扰相关性分析结果；此外，仅通过相关性进行特征选择可能会忽略某些特征中的重要信息。

随着人工智能的发展，特征工程方法也变得更加丰富。Xue 等^[58] 利用多目标随机森林对具有高维度特征的大型数据集进行有效处理，并实现特征选择。Zha 等^[56] 提出CNN—LSTM 模型，利用CNN 实现对特征的自动提取，Pan 等^[59] 也利用CNN 实现对生产数据时空特征的提取，同时利用LSTM 提取生产数据的时间序列特征，并结合自注意力机制捕获油井生产数据之间的内部相关性。Cornelio 等^[60] 通过自编码器模型提取数据中存在的时间模式，并将其表示为一组低维潜在变量，实现对特征的非线性降维。

总的来说，特征工程是一个复杂且关键的步骤， 需要根据具体的问题和数据进行针对性选择，而深度学习及聚类算法的发展，为特征工程提供了新的可能性，能够更好地处理高维数据和捕获特征之间的交互效应。

2.2 　神经网络构建方法

随着深度学习进行油气产量预测研究的不断深入，研究人员也开始尝试不同的神经网络构建方法， 以增强模型在不同场景、不同目标下的产量预测能力。

为充分挖掘生产数据中时间维度对产量变化的影响，获得更好的非线性预测表现，部分研究人员在RNN、LSTM、GRU 等神经网络结构的基础上进行一定改进，或结合启发式算法优化调整模型相关参数。

Sagheer 等^[30] 使用深度长短期记忆（DLSTM） 网络模型进行产量预测研究，DLSTM 包括多个LSTM 层，能够更加有效地使用每个LSTM 层的参数， 让每个LSTM 层以不同时间尺度进行工作，处理任务中的不同部分，最后进行输出。同时，通过遗传算法（Genetic Algorithm，GA）优化网络配置结构，使所提出的模型达到最佳预测性能。同样，Kocoglu 等^[61] 提出了双向深度长短期记忆（Bi-LSTM）网络预测常规和非常规储层的产量曲线。相较于传统的长短期记忆网络，双向长短时记忆网络能够获取从后往前的信息，更好的捕捉生产模式，在长期产量预测中有着更好的表现。Li 等^[62] 利用LSTM 网络模型对动态产量曲线数据进行特征提取和长时间序列依赖学习， 有效地发现不同类型气田的主控因素，实现了对不同气田产量的准确预测。

从目前研究来看，在深度学习框架下，LSTM 作为基础模型已被广泛应用于解决时间序列产量预测问题，专家学者根据不同场景的实际需求发展了不同的变种模型。

为解决冷启动、小样本等由于无法训练或训练样本不足引起的预测不准确问题，部分研究人员在基础预测模型上引入迁移学习，将一个任务或领域（源域）学到的知识和经验应用到另一个任务或领域（目标域）中，利用已有知识减少对新任务的训练样本需求。

Razak 等^[63] 为解决在非常规储层水力压裂过程中，如何在最小的历史生产数据下进行快速可靠的产量预测问题，建立深度循环神经网络进行油、水、气产量的多元时间序列预测，并采用迁移学习将大量源数据集（具有大量长时间生产的井）中的有用信息转移并适应到目标预测模型中，满足了在有限历史数据情况下的产量预测需求。Niu 等^[64] 针对新开发区块页岩气井产量预测所面临的现场气井资料缺乏和模型开发困难的问题，利用传递分量分析（Transfer Component Analysis，TCA）和深度神经网络（DNN） 实现跨层、跨区块页岩气井产量预测，使用基于TCA 的特征提取器缩小源域和目标域的输入特征分布，从而建立一个不受分布偏移影响的域自适应迁移学习模型，显著提高了跨层、跨区块产量预测的准确性。此外，Niu 等^[65] 还以改进的神经网络作为基学习器，通过集成学习提高模型预测性能，并结合迁移学习提高了新区块在有限气井数据下的气井产量预测性能。

当前研究中，迁移学习与深度学习相结合已经成为解决新区块产量预测问题行之有效的方案，研究人员通过对区块间相似性进行度量，进行相似区块间的信息提取，已经能够实现有限数据下的非常规油气产量有效预测。

图神经网络（Graph Neural Networks, GNNs）模型能够有效地利用图结构信息，在考虑实例之间的相互依赖关系时显示出其独特优势。因此，部分研究人员也开始尝试结合GNNs 深入探索井间干扰和复杂地质结构对产量预测的影响。

Huang 等^[66] 建立GNN—LSTM 模型以实现各种井控情景下的产量预测，通过GNN 模型表征不同生产井之间的连接，并通过LSTM 结构来模拟构建的GNN 模型随时间的演变。Du 等^[67] 则充分考虑井间干扰对产量的影响，建立了基于深度学习的混合模型（GCN—LSTM），建立基于GNNs 的图卷积网络（GCN）捕获井组之间复杂的空间模式，使用长短期记忆（LSTM）神经网络从历史生产数据中提取复杂的时间相关性，有效地捕捉时空相关性，实现快速、准确地预测产油量。碳酸盐储层独特的孔隙结构和各向异性使得传统的预测模型难以准确捕捉油气流动和储集特性，从而影响预测准确性。Gao 等^[68] 认为可以通过考虑生产井和历史生产数据之间的关系来实现井网产量预测，准确的预测不仅取决于历史生产数据，还取决于相邻井历史注气率的影响。因此， 提出一种基于深度学习的属性增强时空图卷积网络（AST—GCN）混合产量预测模型，同时考虑了采油区时空特征和邻近注入区历史注气率，实现了对生产数据、注气数据和空间关系的有效处理，成功预测了单井和井组的生产表现。

大量研究表明，图神经网络模型与时序预测模型相结合，为解决复杂井组情况下的准确产量预测提供了有效方案。

部分学者在研究中认为：在产量预测过程中， 仅使用单一模态的数据不能为预测模型提供全面的信息，应充分利用所获得的数字、序列、图像等多类型数据，提升模型的预测能力。

Jiang 等^[69] 提出一种基于多模态信息融合的产量预测模型，将从示功图中提取的图像特征与生产时间序列数据相结合，得到多模态数据，以LSTM 网络为基础模型建立综合的产量预测模型。同时，利用改进的人工鱼群算法进行模型调优以达到最佳预测性能。Li 等^[70] 利用由多层感知器神经网络和卷积神经网络组成的深度混合网络（Deep Hybrid Network， DHN）实现从多源、多类型、多维数据中综合提取特征，并集成基于十字绣网络（Cross-Stitch Network， CSN）的多任务模块，实现准确、高效的产量预测。

从当前研究中可以看出，多模态模型可以利用多样化的数据为产量预测提供更加全面的数据集，挖掘到更多产量相关影响参数，为更加精准化、智能化的油气产量预测提供新的动力。

因此，在基于深度学习进行油气产量预测的过程中，如何构建深度神经网络是其中的关键流程， 可根据上述神经网络构建方法的特点匹配适用场景， 从而解决产量预测中的问题，表3 对不同场景下的网络构建方法及所使用模型进行了系统性汇总。

2.3 　综合示例

Guo 等^[47] 较早将深度学习引入煤层气产量预测， 利用深度学习解决了煤层气新井的产量预测问题。整体流程与图4 中深度学习方法进行油气产量预测流程一致，从特征工程到构建神经网络关键步骤的具体实现过程如下：

1）特征提取。针对地质参数构成的二维数据进行特征提取，提出了基于空间金字塔池化的卷积自编码器，通过空间金字塔池化解决了煤层气井数据的多尺度问题，通过卷积自编码器实现高维数据的约简，并保证了特征向量的维度一致性。以韩城区块煤层气井为例，针对自然伽马、自然电位、补偿中子、声波时差、密度、深层电阻率、浅层电阻率、泥质含量、温度、孔隙度、偏移角度和方位角12 个地质参数随深度变化的二维数据进行了特征提取。

2）构建神经网络。研究中考虑煤层气地质条件复杂，为排除海量数据中不相关数据的干扰，提出AP—LSTM 煤层气产量预测方法，其中，AP（Affinity Propagation）是基于近邻传播算法的煤层气井聚类方法，以地质参数特征提取的结果作为输入，自动聚类实现井群划分，目的在于筛选出目标井的相似井数据，构建新井的数据样本集，解决新井数据样本少的问题。以地质参数和历史生产数据作为输入参数， 以煤层气日产量作为输出参数，建立LSTM 煤层气产量预测模型，针对HC-5-12 井预测未来50 天的煤层气产量，深度学习方法平均误差为6.78%，数值模拟方法平均误差为17.61%，BP 神经网络的平均误差为33.90%，其中深度学习方法预测最为准确。

3 　技术未来发展方向

随着深度学习技术的不断更新以及油气行业大数据的高速发展，深度学习在油气产量预测中的表现以及建模的有效性和准确性是传统方法难以比拟的， 已经逐步实现了多种非常规油气、多种不同场景下的精准产量预测，但还面临着诸多问题和挑战。综合调研结果及人工智能与油气产量预测的发展情况， 认为智能油气产量预测技术的未来发展方向有以下几点。

3.1 　实时预测与优化

油气产量预测不仅与地质因素、工程因素相关， 也受到天气、价格、政策等外部因素影响，而现有研究没有充分考虑这些实时变化的因素，随着大模型的蓬勃发展，对多种影响因素予以充分考虑，进而建立实时、准确的产量预测模型，以及结合实时数据与预测模型，通过优化算法优化生产参数，对生产过程进行实时调整，优化资源分配是实现智能油气产量预测的新方案。

3.2 　数据融合与增强

数据融合指将不同来源、类型的数据进行整合和协调，从而得到更全面、准确的数据集。数据增强则是通过一些技术手段或算法，对原始数据进行扩充或变换，以增加数据的多样性和丰富性。油气行业的数据来源多样，如地质数据、测井数据、生产数据等， 数据间会存在不一致、不完整等问题，而数据的质量和数量直接影响着预测的效果。当前研究中，多模态模型仅对不同类型数据进行使用，数据有效性需要进一步挖掘。因此，如何有效地融合和增强油气数据， 提高数据的可用性和可信度，是一个重要的研究方向。

3.3 　物理约束与解释

深度学习方法缺乏可解释性，难以理解和验证预测结果的合理性和可信度。将一些物理知识、经验作为先验信息或辅助条件，约束、指导机器学习方法，或通过技术手段，揭示机器学习方法计算过程中的关键因素，能够解释预测结果背后的物理机制。为更好进行模型解释，从业人员已经开始相关研究， Cornelio 等^[60] 结合物理和神经网络建立混合残差模型以提高现有模拟模型的预测能力，作者通过结合数据驱动模型和物理模型的互补优势，为非常规油藏提供了一个有吸引力的选择。然而，当前研究还处于探索阶段，还需要大量实验研究，以加强模型的可靠性与可解释性。

3.4 　模型更新与适应

迁移学习为新区块的产量预测提供了有效方案， 然而，当新旧区块之间油田数据差异较大时，模型可能无法提取有效信息，从而导致预测精度下降或失效。一方面，可以参考增量学习、在线学习等方法， 通过不断获取油藏新数据实时地更新模型权重或结构，提高模型的灵活性和适应性。另一方面，需要进一步加强对油气数据的处理，总结出可泛化特征， 寻找普适性的机器学习产量预测模型。

4 　结论

1）纵观油气产量预测发展历程，油气产量预测方法呈“传统方法—机器学习方法—深度学习方法” 的态势发展，人工智能技术的不断进步使得产量预测准确率、实时性不断提升，基于深度学习方法的油气产量预测为非常规油气开发提供了新的驱动力。

2）深度学习方法已经被大量应用于油气产量预测，在解决复杂环境下的精准产量预测时表现卓越， 同时，多样化的特征工程、网络构建方法也为不同场景、不同模式下的精细化产量预测提供了支持。

3）进一步提升人工智能领域与油气领域学科交叉力度，加强深度学习方法与传统方法的有机结合， 实现优势互补是油气产量预测智能化发展的研究与攻关方向，多学科理论、技术的融合发展将进一步推动油气产业的数智化发展。

基金项目：国家自然科学基金重点项目“基于新一代信息技术的复杂油气储层地震勘探理论和方法”（编号：42330801）、油气藏地质及开发工程全国重点实验室开放基金课题“基于迁移学习的气井产量预测方法研究”（编号：PLN2022-50）。