融合深度学习网络的地下储气库微震时序智能预测模型及其应用OA

地下储气库动态安全运行离不开对注采扰动引起微震活动的准确预测。针对微震时序中存在的强非线性耦合、外部注采扰动的滞后效应以及多尺度演化模式难以精确建模的问题,本研究提出了一种融合扩展型长短期记忆网络(xLSTM)与Informer结构的微震时序预测模型。在数据处理环节,构建了包含注采速率、井口压力、温度等多源工程参数的特征集,并采用皮尔逊相关系数与互信息方法筛选关键驱动特征,以增强输入的代表性;在模型设计上,引入xLSTM以强化短期动态扰动与时滞响应的建模能力,同时采用Informer的稀疏自注意力机制与层次化蒸馏编码结构,实现对长周期依赖与全局演化趋势的高效捕捉。实验结果表明,所提方法在微震事件频次与能量预测任务中,平均绝对误差(MAE)、均方误差(MSE)以及平均绝对百分比误差(MAPE)均显著优于对比模型。此外将该模型应用于同区块不同储气库的注采条件下,数据验证表明,其在复杂工况下能够准确预测微震事件频次和能量的演化趋势。