Les réservoirs de gaz de condensat à médias complexes avec pores très profonds, fissures et fractures présentent des caractéristiques de flux de fluides hautement hétérogènes. Lors du développement, le système de fractures subit souvent une condensation inverse due à une pression locale trop basse, alors que la pression de la matrice et la pression moyenne du réservoir restent supérieures à la pression de rosée. Cela rend les méthodes traditionnelles d'ingénierie des réservoirs basées sur la pression moyenne difficiles à utiliser pour identifier précisément le moment et l'étendue de la condensation inverse locale. Pour résoudre ce problème, cet article étudie le réservoir de gaz de condensat Bozi dans le synclinal de Kuqa au nord du bassin du Tarim, en analysant systématiquement les mécanismes d'écoulement des fluides à trois milieux (pore-fissure-fracture) et leurs réponses à la pression. En fonction des variations de la pression d'huile en tête de puits, la phase de production est divisée en trois catégories : période de déclin stable, période de fluctuation instable et période de déclin accéléré. Les fluctuations anormales du rapport gaz-pétrole (Gas-Oil Ratio, GOR) sont un signal d'alerte pour la survenue d'une transition de phase. L'étude par phases du GOR sous différentes plages de pression reflète le processus d'évolution dynamique du réservoir complexe à différentes étapes. Cet article propose un modèle de prédiction combiné basé sur une optimisation avec l'algorithme Pelican (Pelican Optimization Algorithm, POA), combinant un réseau à mémoire longue courte (LSTM) et un réseau convolutif temporel (Temporal Convolutional Network, TCN). L'algorithme POA est utilisé pour optimiser globalement les hyperparamètres de LSTM et TCN respectivement, et un modèle combiné POA-LSTM-TCN est construit avec une stratégie de fusion pondérée pour réaliser une prédiction segmentée du GOR à différentes étapes. Les résultats montrent que l'erreur absolue moyenne en pourcentage (MAPE) des modèles POA-LSTM et POA-TCN optimisés est respectivement de 3,71 % et 7,73 %, tandis que le MAPE du modèle combiné POA-LSTM-TCN est de 2,40 %, ce qui correspond à une baisse de 1,31 % et 5,33 % par rapport aux modèles individuels. Une validation supplémentaire avec des simulations numériques a révélé que les méthodes d'ingénierie des réservoirs traditionnelles basées uniquement sur la pression moyenne ne permettent pas d'identifier efficacement la condensation inverse dans les fractures, alors que l'utilisation du modèle POA-LSTM-TCN pour prédire le GOR permet une identification à la fois précise et rapide, et qu'une divergence de la prédiction du GOR au-delà d'un seuil défini indique l'apparition de condensation inverse dans le réservoir. Ainsi, cette étude comble les lacunes des méthodes traditionnelles dans l'identification de la condensation inverse locale, proposant une méthode d'alerte basée sur la détection précoce d'anomalies, avec une importance théorique et une valeur d'application en ingénierie pour l'analyse dynamique de la production des réservoirs complexes, la compréhension du mécanisme de condensation inverse et l'optimisation des plans de développement.

Bassin du Tarim;réservoir Bozi;médias complexes;rservoirs de condensat;rapport gaz-pétrole;condensation inverse;réseaux de neurones