Los yacimientos de gas condensado con medios complejos de poros muy profundos, fracturas y fallas presentan características de flujo de fluidos altamente heterogéneas. Durante el desarrollo, el sistema de fracturas a menudo experimenta condensación inversa debido a presiones locales muy bajas, mientras que la presión de la matriz y la presión media del yacimiento aún están por encima de la presión de punto de rocío. Esto hace que los métodos tradicionales de ingeniería de yacimientos basados en la presión media sean difíciles de utilizar para identificar con precisión el momento y el alcance de la condensación inversa local. Para abordar este desafío, este artículo estudia el yacimiento de gas condensado Bozi en la cuenca de Tarim, al norte de la depresión de Kuqa, analizando sistemáticamente los mecanismos de flujo de fluidos en medios triples de poros, fracturas y fallas, así como las leyes de respuesta de presión. Según las características de variación de presión de aceite en el cabezal del pozo, la etapa de producción se divide en tres categorías: período de descenso estable, período de fluctuación inestable y período de decaimiento acelerado. Las fluctuaciones anormales en la relación gas-petróleo (Gas-Oil Ratio, GOR) son una señal de advertencia de la ocurrencia de la transición de fase, y el estudio por etapas del GOR en diferentes rangos de presión puede reflejar la evolución dinámica del yacimiento complejo en diferentes fases. Este artículo propone un modelo de predicción combinado basado en la optimización mediante el Algoritmo de Optimización Pelícano (Pelican Optimization Algorithm, POA), que combina una red de memoria a largo y corto plazo (LSTM) y una red convolucional temporal (Temporal Convolutional Network, TCN). El algoritmo POA se utiliza para optimizar globalmente los hiperparámetros de LSTM y TCN respectivamente, y se construye un modelo combinado POA-LSTM-TCN con una estrategia de fusión ponderada para lograr una predicción segmentada del GOR en diferentes etapas. Los resultados muestran que el error absoluto medio porcentual (MAPE) de los modelos POA-LSTM y POA-TCN optimizados es de 3.71% y 7.73% respectivamente, mientras que el MAPE del modelo combinado POA-LSTM-TCN es de 2.40%, lo que representa una disminución de 1.31% y 5.33% en comparación con los modelos individuales. La validación adicional con resultados de simulación numérica reveló que los métodos tradicionales de ingeniería de yacimientos basados únicamente en la presión media no pueden identificar eficazmente la condensación inversa en las fracturas, mientras que el uso del modelo POA-LSTM-TCN para predecir el GOR permite identificar la condensación inversa con alta precisión y velocidad, y que una desviación de la predicción del GOR por encima de un umbral establecido indica la ocurrencia de condensación inversa en el yacimiento. Por lo tanto, este estudio complementa las deficiencias de los métodos tradicionales en la identificación de la condensación inversa local, proponiendo un método de alerta temprana basado en la detección temprana de anomalías, que tiene un importante valor teórico y de aplicación en ingeniería para el análisis dinámico de la producción de yacimientos complejos, la identificación de mecanismos de condensación inversa y la optimización de planes de desarrollo.

Cuenca de Tarim; yacimiento Bozi; medios complejos; yacimientos de condensado; relación gas-petróleo; condensación inversa; redes neuronales