Сверхглубокие поры-трещины-разломы сложных сред конденсатных газовых месторождений обладают высокой неоднородностью течения жидкости, в процессе разработки часто возникает обратный конденсат в системе трещин из-за локально низкого давления, тогда как давление матрицы и среднее давление месторождения остаются выше точки росы. Это приводит к тому, что традиционные методы инженерии месторождений, основанные на среднем давлении, не могут точно определить время и область возникновения локального обратного конденсата. Для решения этой проблемы в данной работе изучается конденсатное газовое месторождение Боци в северной части Кучаская впадина Таримского бассейна, систематически анализируются механизмы течения флюидов в поры-трещины-разломы с тройной средой и закономерности их давления. На основе изменений давления нефти на устье скважины этапы производства делятся на период устойчивого снижения, период нестабильных колебаний и период ускоренного спада. Аномальные колебания газонефтяного отношения (Gas-Oil Ratio, GOR) являются предупредительным сигналом фазового перехода, исследование GOR в разные этапы при разных давлениях отражает динамическую эволюцию сложных сред месторождений. В работе предлагается комбинированная модель прогнозирования на основе долгосрочной и краткосрочной памяти (LSTM) и временной сверточной сети (Temporal Convolutional Network, TCN), оптимизированной алгоритмом пеликановой оптимизации (Pelican Optimization Algorithm, POA). Алгоритм POA используется для глобальной оптимизации гиперпараметров LSTM и TCN, а комбинированная модель POA-LSTM-TCN строится с использованием взвешенной стратегии слияния для сегментного прогнозирования GOR на разных этапах. Результаты показывают, что средняя абсолютная процентная ошибка (MAPE) оптимизированных моделей POA-LSTM и POA-TCN составляет 3,71% и 7,73% соответственно, а для комбинированной модели POA-LSTM-TCN MAPE равна 2,40%, что на 1,31% и 5,33% ниже, чем у отдельных моделей. Дальнейшая проверка численными моделями показала, что традиционные методы инженерии месторождений, основанные только на среднем давлении, не способны эффективно обнаружить обратный конденсат в трещинах, тогда как использование модели POA-LSTM-TCN для прогнозирования GOR позволяет с высокой точностью и скоростью вычислений идентифицировать обратный конденсат по отклонению прогноза GOR от установленного порога. Таким образом, исследование восполняет недостатки традиционных методов в идентификации локального обратного конденсата, предлагая предупреждающий метод на основе раннего обнаружения аномалий, что имеет значительную теоретическую и инженерную ценность для динамического анализа производства сложных месторождений, понимания механизма обратного конденсата и оптимизации схем разработки.

Таримский бассейн;месторождение Боци;сложные среды;конденсатные месторождения;газонефтяное отношение;обратный конденсат;нейронные сети