一、Gitee 远程仓库：

https://gitee.com/zhengzhuoying/oil-smart-forecast.git

这个项目是干什么的？

这是一个油气井产量智能预测项目，解决的核心问题是：

能不能不反复跑耗时的 CMG 数值模拟，就快速预测某工况下油井未来的产量？

背景

油田开发中，五点井网（四周注水井 + 中间生产井）很常见。要评估新注入参数（井底流压 BHP、井口压力 STG）下的产能，传统做法是：

1. 在 CMG 里重新建模、调参
2. 长时间数值模拟（一组工况可能要跑很久）
3. 多工况批量仿真成本很高

这个项目怎么做

项目用 CMG 已经模拟好的 50 组工况、15 年产量数据，训练深度学习模型，学会「工况参数 + 历史产量 → 下一时刻产量」的映射关系。

具体流程：

1. 读数据：训练集 30 组、验证集 10 组、测试集 10 组
2. 洗数据：处理缺失值、负值、异常值
3. 造样本：用前 5 个时间步（8 个注入参数 + 历史产量）预测第 6 步产量
4. 训模型：CNN、LSTM、CNN-LSTM 三个模型对比
5. 做评估：R²、RMSE、MAE，以及散点图、时序对比图、敏感性分析等

实际意义

训练完成后，给定一组注入工况和历史产量，模型可以秒级给出产量预测，替代重复、耗时的 CMG 数值模拟，用于：

• 快速评估新工况产能
• 辅助注入参数优化
• 为智能油田 / 产能预判提供数据支撑

二、生成的结果：

在figures文件夹里面

一、单模型训练与评估图（每个模型 3 张，共 9 张）

CNN、LSTM、CNN-LSTM 各有一套，文件名前缀对应模型名。

1. *_loss_curve.png — 训练与验证损失曲线

• 横轴：训练轮数（Epoch）
• 纵轴：Loss（均方误差 MSE，越小越好）
• 两条线：
  • 蓝/训练损失：模型在训练集上的误差
  • 橙/验证损失：模型在验证集上的误差

怎么看：

• 两条线都下降 → 模型在学习
• 训练 loss 一直降、验证 loss 上升或震荡 → 可能过拟合
• 验证 loss 不再下降时早停 → 避免过拟合

---

2. *_scatter.png — 真实值 vs 预测值散点图

• 横轴：真实产量（m³/day）
• 纵轴：模型预测产量（m³/day）
• 红色虚线：理想对角线（预测 = 真实）

怎么看：

• 点越靠近对角线 → 预测越准
• 点系统性偏对角线上方/下方 → 模型整体高估或低估
• 点很散 → 误差大、稳定性差

---

3. *_error_dist.png — 误差分布直方图

• 横轴：预测误差 = 真实值 − 预测值（m³/day）
• 纵轴：该误差出现的次数（频数）
• 红色虚线：误差为 0

怎么看：

• 峰值在 0 附近 → 无偏、较准
• 整体偏正/负 → 系统性高估或低估
• 分布越窄 → 误差越稳定
• 接近正态、中心在 0 → 模型较理想

---

二、三模型横向对比图（2 张）

4. models_comparison.png — 指标柱状对比图

三个子图分别是 R²、RMSE、MAE 在三个模型上的对比。

指标	含义	好坏
R²	拟合优度，越接近 1 越好	越高越好
RMSE	均方根误差（m³/day）	越低越好
MAE	平均绝对误差（m³/day）	越低越好

用途： 一眼看出哪个模型综合最好（你这次 CNN 的 R² 最高）。

---

5. errors_boxplot.png — 预测误差箱线图

• 每个箱子：一个模型在测试集上所有样本的误差分布
• 箱体：中间 50% 误差的范围
• 中线：误差中位数
• 须线 / 圆点：正常范围外的离群点

怎么看：

• 箱体越矮、越靠近 0 → 误差小且集中
• 中位数离 0 远 → 有系统偏差
• 箱子高或须线长 → 误差波动大、稳定性差

---

三、时序预测效果对比图（2 张）

6. 10_test_cases_comparison.png — 10 个测试工况时序对比

• 10 个子图：测试集 10 个 case（case_41 ~ case_50）
• 横轴：时间步
• 纵轴：产量（m³/day）
• 实线：真实产量
• 虚线：最优模型（CNN）预测产量

怎么看：

• 两条线贴合 → 该工况预测好
• 明显偏离 → 该工况难预测或模型不足
• 整体趋势（升/降）是否跟对

用途： 不只看整体指标，还看每个工况上的时序表现。

---

7. multi_model_case_comparison.png — 单工况三模型对比

• 选一个测试工况（如 case_41）
• 黑实线：真实产量
• 彩色虚线：CNN、LSTM、CNN-LSTM 的预测

怎么看：

• 哪条虚线最接近黑线 → 该工况下哪个模型更好
• 能否跟上拐点、下降段

用途： 比较三个模型在同一条时序上的差异，而不只是平均指标。

---

四、敏感性分析图（1 张）

8. sensitivity_analysis.png — 输入特征敏感性分析

• 9 个子图：8 个注入参数 + 1 个历史产量（Oil_Rate）
• 横轴：该特征在合理范围内的变化
• 纵轴：模型预测的产量（m³/day）
• 方法：固定一个测试样本，只改变某一个特征，看预测产量如何变

怎么看：

• 曲线陡 → 模型对该特征敏感，改动影响大
• 曲线平 → 不敏感，改动影响小
• 上升/下降 → 特征增大时产量升还是降

用途： 理解模型更依赖哪些输入（如某口井 BHP、STG），对工程调参有参考意义。

---

总结对照表

图片	回答的问题
损失曲线	训练是否正常？有没有过拟合？
散点图	预测值和真实值整体一致吗？
误差直方图	误差大不大？有没有系统性偏差？
指标柱状图	三个模型谁更好？
误差箱线图	哪个模型更稳？离群点多不多？
10 工况曲线	每个测试井预测得怎么样？
单工况多模型	同一条时序上谁更准？
敏感性分析	哪些输入对产量影响最大？