简介这是一份面向油气行业算法工程师、地质与油藏研究人员及能源AI方向学习者的技术方案文档围绕DeepSeek大模型在油气开采场景中的落地路径展开。内容从行业痛点与技术瓶颈剖析入手依次覆盖多源异构数据采集与预处理、大模型因果推断理论基础、多模态特征提取适配性分析、数据标注体系与数据集构建、领域词典与知识图谱搭建、预训练数据筛选增强、基础训练框架选型与部署优化并深入讲解因果推断算法改进、地震与测井及生产数据特征融合、LoRA轻量化微调及微调后的效果评估方法共55个大章节。资源为1个PDF文件压缩包约15.38MB支持目录章节跳转、左侧书签大纲显示与章节快速定位图文目录显示正常。已有75人学习适合系统性掌握油气开采工艺参数与因果变量映射建模、多模态特征融合选型调参等实操要点也可作为技术方案撰写与工程落地的参考依据。1. 从一个 504 页 PDF 标题说起有件事在采油厂反复上演把近五年注水量和产油量拉出来做相关性两条曲线几乎同步向上于是有人主张全线提注。三个月后含水率从六成冲到八成产油量反而掉了。问题不在数据在于把相关当成了因果——注水量本身是被产量目标驱动的还受地层压力、井网结构、含水阶段共同影响。这个标题要解决的正是这类问题把开采工艺参数当成可干预变量,用因果推断回答如果调了会怎样,用多模态特征提取把测井、示功图、时序传感器和工艺文本拧进同一个特征空间,再借 DeepSeek 做推理编排与工程化落地。它面向油气数字化团队、工业算法工程师,以及想把大模型接进真实生产系统而不是停留在 Demo 的人。2. 开采工艺优化为什么必须先立住因果推断2.1 把注水量当自变量做回归,会踩的三个坑第一个坑是干预混淆。注水量不是随机分配的,它由配注方案决定,而配注方案又参考了地层压力和产量目标。这种按结果反向调参的机制,会让普通回归把因果方向搞反。第二个坑是时变混杂。同一口井在低含水期提注可能增产,在高含水期提注只出水,把两段数据混在一起训练,系数会被平均掉,失去指导意义。第三个坑是选择偏差。现场往往只对看起来有潜力的井上措施,这批井本身就比其他井好,直接比较措施井和非措施井会高估效果。这三点决定了预测模型和优化模型是两码事。预测模型只要拟合准就行,优化模型必须能回答反事实,也就是在没有实施这个措施的反事实世界里产量会是多少。这就要求把变量明确分成三类:干预 T(注水量增量、压裂规模、举升频率)、结果 Y(产油增量、含水率变化)、混杂 X(地层渗透率、井深、井距、历史含水)。只有 X 被正确控制,估计出来的效应才可信。2.2 干预、混杂与 CATE:一套能落到油田数据上的定义把符号落到业务上会更清楚。T 通常取离散化的处理档位,比如注水量增量分成 0、5、10、15 方/日四档,或者取连续值做连续处理。Y 取措施后 30 天相对措施前 30 天的日均产油差,这样能抵消季节性影响。X 是措施的分配机制里涉及的所有变量,漏掉一个强混杂因子,估计就会偏。接下来是 ATE 和 CATE 的区别。ATE 是全油田平均处理效应,告诉你整体上提注 10 方/日能增产多少;CATE 是条件平均处理效应,告诉你对这类井、这个含水阶段提注 10 方/日能增产多少。工艺优化真正需要的是 CATE,因为油田不可能整体提注,只能挑井提注。CATE 的估计本质上是一个异质性建模问题,把 T 和 X 的交互项交给模型去学,学习目标不是拟合 Y,而是拟合去掉混杂后的效应。这里要强调三个识别假设。可忽略性,即给定 X 后处理分配与潜在结果独立;重叠性,即任意 X 取值下都有一定概率被处理或不被处理;SUTVA,即一口井的处理不影响另一口井的结果。第三条在井网密集的区块尤其容易被破坏,必要时要把井组作为分析单元而不是单井。2.3 估计器怎么选:DML、T-Learner、因果森林的取舍估计器适用场景样本量要求主要风险线性 DML处理为连续值,效应近似线性中非线性效应被压平T-Learner处理组与对照组差异大大两组样本不均时方差大X-Learner处理组样本远少于对照组中实现复杂,调参成本高因果森林高维 X,需要 CATE 排序大外推到无重叠区域不可靠双重稳健估计X 维度中等,想要置信区间中依赖倾向得分模型质量我一般先用线性 DML 跑一版基线,拿到 ATE 和置信区间,确认方向和量级是否符合工艺常识;再用因果森林算 CATE,做井的排序。如果两版结论打架,大概率是重叠性被破坏,需要先检查倾向得分分布,而不是急着换模型。2.4 识别假设的自检代码import numpy as np from sklearn.ensemble import GradientBoostingClassifier from sklearn.model_selection import cross_val_predict # X: 混杂特征矩阵; T_bin: 二值化后的处理标记(如是否提注超过10方/日) ps cross_val_predict( GradientBoostingClassifier(n_estimators200, max_depth3, random_state0), X, T_bin, methodpredict_proba, cv5 )[:, 1] # 重叠性检查:倾向得分落在极端区间的样本占比 extreme np.mean((ps 0.05) | (ps 0.95)) print(f极端倾向得分占比: {extreme:.3f}) # 若超过 5%,建议裁剪样本或改用井组作为分析单元 mask (ps 0.05) (ps 0.95) X_trim, T_trim, Y_trim X[mask], T_bin[mask], Y[mask]这段代码先用梯度提升树估计倾向得分,再做重叠性诊断。参数上n_estimators200和max_depth3是保守配置,倾向得分模型不需要太强,过强反而会把真实重叠区域切掉,这是常见误用。extreme阈值取 0.05 是经验值,油气数据处理量不大,可以放宽到 0.1。裁剪样本会改变估计目标人群,写报告时要注明结论只覆盖裁剪后的子人群,不能直接外推到全油田。3. 多模态特征提取:把测井、示功图、时序、文本塞进同一张宽表3.1 四类模态各自的特征化路线模态原始形态特征化方式典型特征测井曲线深度采样序列重采样 分段统计GR/RT/DEN 均值、方差、斜率示功图载荷-位移闭合曲线几何 频域描述面积、载荷差、傅里叶系数时序传感器分钟级压力流量滑动窗口统计均值、方差、峰度、趋势斜率工艺文本作业日报记录大模型抽取标签措施类型、施工参数、异常描述四条线的采样率差了几个数量级,不能简单拼接。我的做法是统一到井-月粒度:测井按生产层段取加权均值,示功图取当月代表性的一张做几何特征,时序做 30 天窗口统计,文本抽成结构化字段。粒度统一之后,再和 T、Y 对齐成一张宽表。3.2 示功图转特征的最小实现import numpy as np from scipy.fft import rfft def pump_card_features(load, disp): load: 载荷序列(kN); disp: 位移序列(m), 长度与 load 一致 load, disp np.asarray(load), np.asarray(disp) area np.trapz(load, disp) # 闭合曲线面积,反映做功 feat { max_load: load.max(), min_load: load.min(), load_range: load.max() - load.min(), area: abs(area), stroke: disp.max() - disp.min(), } # 归一化后取前 8 个傅里叶幅值,描述曲线形状 amp np.abs(rfft(load - load.mean()))[:8] for i, a in enumerate(amp): feat[ffft_{i}] a / (len(load) 1e-6) # 上下冲程斜率,用于识别泵况异常 half len(load) // 2 feat[slope_up] np.polyfit(disp[:half], load[:half], 1)[0] feat[slope_down] np.polyfit(disp[half:], load[half:], 1)[0] return feat函数把一张示功图压成 13 维特征。np.trapz算的是载荷对位移的积分,物理含义是单冲程做功,泵况变差时这个值会明显下降。傅里叶幅值前 8 项按序列长度归一化,是为了消除不同采样点数带来的量纲差异,这一步如果漏掉,同一口井换采集设备后特征会整体偏移。上下冲程斜率用最小二乘拟合,游动阀漏失时上冲程斜率会变缓,这是现场老师傅也在看的指标。注意位移序列要和载荷严格同步,现场常见的坑是两者时间戳错位半分钟,算出来的面积完全是噪声。3.3 时间窗口对齐与工艺文本结构化时序特征的对齐原则是措施前窗口和措施后窗口必须等长且不重叠,中间留出 7 天缓冲期,因为措施效果不会当天显现。缓冲期怎么定,取决于工艺类型:酸化、压裂的响应更快,注水调配的响应可能滞后两三周,这个参数应该由采油工程师给,而不是算法自己猜。工艺文本的结构化可以直接调 DeepSeek API 完成,把作业日报原文连同字段定义一起放进提示词,要求输出 JSON。相比自己训一个抽取模型,这种方式冷启动成本低,遇到新措施类型时改提示词就行,不需要重新标注。代价是每次调用有成本,所以只对增量文本调用,历史文本抽取一次就落库。抽取结果作为特征入模前要做基数处理,措施类型做独热编码,施工参数做分段离散化,否则大模型输出的自由文本会污染特征矩阵。4. CATE 建模与 DeepSeek 接入的完整实操4.1 宽表字段与工艺参数定义字段角色类型说明well_id主键string井号month时间date分析月份delta_water干预 Tfloat注水增量(方/日)oil_gain结果 Yfloat日均产油增量(吨/日)water_cut混杂 Xfloat措施前含水率perm混杂 Xfloat渗透率(mD)net_pay混杂 Xfloat有效厚度(m)well_space混杂 Xfloat井距(m)pump_area混杂 Xfloat示功图面积特征press_std混杂 Xfloat井口压力 30 天标准差这张表的关键点是 X 里同时包含地质静态量和生产动态量。只放静态量会漏掉含水和压力这类强混杂,而它们恰好随时间变化,是最容易造成时变混杂的来源。用因果推断做开采工艺优化时,动态混杂必须按月对齐到同一时点,不能用年末汇总值。4.2 用 DML 估计单井注水增量效应from econml.dml import LinearDML, CausalForestDML from sklearn.ensemble import RandomForestRegressor import numpy as np # Y: 产油增量; T: 注水增量; X: 需要估计异质性效应的特征; W: 普通混杂 model_y RandomForestRegressor(n_estimators300, min_samples_leaf5, random_state0) model_t RandomForestRegressor(n_estimators300, min_samples_leaf5, random_state0) dml LinearDML(model_ymodel_y, model_tmodel_t, discrete_treatmentFalse, cv5, random_state0) dml.fit(Y, T, XX_hetero, WW_confound) ate dml.ate(XX_hetero) lb, ub dml.ate_interval(XX_hetero, alpha0.05) print(f平均处理效应 {ate:.3f} 吨/日, 95% CI [{lb:.3f}, {ub:.3f}]) # 单井 CATE 排序,用于挑井提注 cate dml.effect(XX_hetero) order np.argsort(-cate)这里用了双重机器学习框架,核心是用两个辅助模型分别拟合 Y 和 T 对混杂的依赖,再对残差做因果估计,这样即使辅助模型有偏,主效应估计仍能保持一致性。cv5是交叉拟合,防止过拟合导致效应被低估,这个参数不能省。X_hetero放的是希望看异质性的变量,比如含水率区间和井距;W_confound放的是需要控制但不关心异质性的变量。ate_interval给出的置信区间是挑井的依据,后文会讲怎么用它设门槛。换CausalForestDML可以得到非线性的 CATE,但样本少于两千条时置信区间会明显变宽,这种时候宁可回到线性版本。4.3 DeepSeek API 如何调用、什么时候本地部署 DeepSeek估计出 CATE 只是半成品,现场要的是这口井该怎么调。这一步可以把 CATE 和井况喂给 DeepSeek 生成初稿建议,再由工艺人员审核。调用方式走开放平台兼容接口,几行代码就能跑通。import os from openai import OpenAI client OpenAI( api_keyos.environ[DEEPSEEK_API_KEY], base_urlos.environ[DEEPSEEK_BASE_URL], # 开放平台控制台提供的兼容地址 ) prompt f你是采油工艺工程师。基于以下因果推断结果给建议: 井号 {well_id}, 建议注水增量 {delta:.1f} 方/日, 估计产油增量 CATE{cate:.2f} 吨/日, 95% CI [{lb:.2f}, {ub:.2f}], 措施前含水率 {wc:.1f}%, 渗透率 {perm:.1f} mD。 要求: 给出 3 条可执行调整建议, 每条注明适用条件和风险, 不要输出无依据的数字。 resp client.chat.completions.create( modeldeepseek-chat, messages[{role: user, content: prompt}], temperature0.2, # 工程场景压低随机性 max_tokens800, ) print(resp.choices[0].message.content)temperature0.2是工程建议场景的经验值,再高会出现自造参数的情况。max_tokens800对应三条建议加风险说明的长度,设太大会让模型开始编造不存在的历史数据。提示词里明确写了不要输出无依据的数字,这一句能显著降低幻觉率。如果要接内网数据,就得考虑本地部署 DeepSeek。常见做法是用推理框架加载量化后的模型,起一个兼容 OpenAI 协议的服务,然后把base_url指向内网地址,上层代码一行不用改。选本地部署的判断标准不是数据敏感程度这么简单,还要看调用量和响应延迟要求:日均调用量小、只做文本抽取的场景,调 API 更省事;需要把 CATE 结果实时推到每口井、且数据不出园区,才值得上本地部署。另外本地部署要额外准备 GPU 显存和模型更新流程,这部分运维成本常被低估。5. 现场落地排错:因果图校验、漂移监控与缺失处理5.1 因果图要和采油工程师对一遍模型跑出来的 CATE 如果和工艺常识相反,比如高含水井提注被算出正效应,先别改模型,去核对因果图。最常见的错误是把含水率既当成混杂又当成中介:提注导致含水上升,含水上升又影响产油,这时含水是中介变量,把它放进混杂会挡住一部分真实效应。判断方法很简单,问一句这个变量是在措施之后才变化的吗,是就是中介,该用中介分析而不是直接控制。因果图还要标出不可观测混杂。地层非均质性、井下设备状态这类量往往没有完整记录,如果它们同时影响配注决策和产量,可忽略性就不成立。可行的补救是找工具变量,比如同区块其他井的配注变化,或者用断点回归,利用配注方案调整的时点做准自然实验。这类方法对数据质量要求高,小样本下置信区间会很宽,要在报告里如实写明。5.2 上线后盯哪几个数监控项计算方式告警阈值处置动作特征 PSI当前月 vs 训练集分布 0.2检查数据源,考虑重训倾向得分均值漂移月度均值变化 0.05复核处理分配机制CATE 分布偏移分位数对比中位数偏移 20%分区块重估建议采纳率现场实际执行比例 40%回访工艺人员预测残差自相关滞后 1 期相关 0.3检查时序特征对齐import numpy as np def psi(base, curr, bins10): Population Stability Index, 衡量特征分布漂移 breakpoints np.quantile(base, np.linspace(0, 1, bins 1)) breakpoints[0], breakpoints[-1] -np.inf, np.inf b np.histogram(base, breakpoints)[0] / len(base) 1e-6 c np.histogram(curr, breakpoints)[0] / len(curr) 1e-6 return np.sum((c - b) * np.log(c / b)) # 对每个入模特征算 PSI, 超过 0.2 的特征单独列出 for col in feature_cols: v psi(train_df[col].values, curr_df[col].values) if v 0.2: print(f{col} PSI{v:.3f}, 需检查数据源)psi的分箱基于训练集分位数,这样保证基准分布和当前分布用同一套边界,直接对当前数据分箱会导致结果不可比。1e-6是防止某箱为空时对数发散,这个平滑项在大样本下影响可忽略。阈值 0.2 来自风控领域经验,油气数据波动更大,建议对压力、流量这类动态特征放宽到 0.25,避免频繁误报。特征 PSI 报警不等于模型失效,但如果同时出现 CATE 分布偏移,基本可以确定需要重训。5.3 数据缺失与报错排查油气数据缺失有两种,一种是设备离线造成的随机缺失,一种是低产井长期不计量造成的结构性缺失。前者可以插值,后者不能,因为缺失本身就和处理分配相关,插值会引入偏差。识别方法是看缺失率与产量是否相关,相关就不能简单填补,应该把缺失当成一个单独的类别入模。常见的接口报错里,连接类问题多出在网络策略或密钥环境变量没加载,先确认DEEPSEEK_API_KEY和DEEPSEEK_BASE_URL在运行环境里能读到,而不是写死在代码里。返回内容被截断一般是max_tokens太小,长文本抽取场景要给到 2000 以上。如果返回的 JSON 解析失败,通常是提示词里没给输出示例,补一个字段完整的样例能解决大部分情况。6. 把 504 页方案压成两周能跑通的最小验证再完整的方案也要先做出一个能验证的小闭环,否则评审会上永远说不清效果。我的做法是砍到单区块、单工艺、单干预类型:只选一个注采井组,只研究注水量调配,只预测 30 天产油增量。数据范围缩到三年,井数控制在几十口,这样两周内能完成从特征到 CATE 的全流程。第一步是确认数据能对齐。把测井、示功图、时序、日报四类数据按井-月聚合,统计有多少口井在三年里同时具备四类数据。如果只剩个位数,说明特征体系要简化,优先保留测井和时序,示功图可以退化成月度汇总值。这一步花一天,能省掉后面两周的返工。第二步是跑通因果估计的最小版本,先用线性 DML 加五六个核心混杂特征,拿到 ATE 和置信区间,和领域专家给的预期范围比对。如果方向对但量级差一个数量级,多半是 Y 的单位或时间窗口定义有问题。这一步的产出不是模型,而是一张哪些井值得提注的排序表。第三步是把排序表交给工艺人员盲评。挑出模型排名前 10 的井和他们凭经验选的井做对比,重合度能到六成以上,说明模型学到了业务逻辑;重合度低就要回到 2.1 那三个坑里找原因。这个对比比任何离线指标都有说服力。最后一步是设定推荐门槛。我通常用 CATE 下界而不是点估计做门槛:只有当 CATE 的 95% 置信区间下界大于 0.5 吨/日时才进入推荐清单,上界与下界跨度超过点估计两倍的井直接排除,因为这种井的异质性估计不稳定。这套门槛会在初期过滤掉大量井,但换来的是采纳率和现场信任度,对后续要扩大范围的项目来说,这比多推几口井重要得多。本文还有配套的精品资源点击获取 因果推断与多模态特征提取：DeepSeek 驱动采油工艺优化
简介这是一份面向油气行业算法工程师、地质与油藏研究人员及能源AI方向学习者的技术方案文档围绕DeepSeek大模型在油气开采场景中的落地路径展开。内容从行业痛点与技术瓶颈剖析入手依次覆盖多源异构数据采集与预处理、大模型因果推断理论基础、多模态特征提取适配性分析、数据标注体系与数据集构建、领域词典与知识图谱搭建、预训练数据筛选增强、基础训练框架选型与部署优化并深入讲解因果推断算法改进、地震与测井及生产数据特征融合、LoRA轻量化微调及微调后的效果评估方法共55个大章节。资源为1个PDF文件压缩包约15.38MB支持目录章节跳转、左侧书签大纲显示与章节快速定位图文目录显示正常。已有75人学习适合系统性掌握油气开采工艺参数与因果变量映射建模、多模态特征融合选型调参等实操要点也可作为技术方案撰写与工程落地的参考依据。1. 从一个 504 页 PDF 标题说起有件事在采油厂反复上演把近五年注水量和产油量拉出来做相关性两条曲线几乎同步向上于是有人主张全线提注。三个月后含水率从六成冲到八成产油量反而掉了。问题不在数据在于把相关当成了因果——注水量本身是被产量目标驱动的还受地层压力、井网结构、含水阶段共同影响。这个标题要解决的正是这类问题把开采工艺参数当成可干预变量,用因果推断回答如果调了会怎样,用多模态特征提取把测井、示功图、时序传感器和工艺文本拧进同一个特征空间,再借 DeepSeek 做推理编排与工程化落地。它面向油气数字化团队、工业算法工程师,以及想把大模型接进真实生产系统而不是停留在 Demo 的人。2. 开采工艺优化为什么必须先立住因果推断2.1 把注水量当自变量做回归,会踩的三个坑第一个坑是干预混淆。注水量不是随机分配的,它由配注方案决定,而配注方案又参考了地层压力和产量目标。这种按结果反向调参的机制,会让普通回归把因果方向搞反。第二个坑是时变混杂。同一口井在低含水期提注可能增产,在高含水期提注只出水,把两段数据混在一起训练,系数会被平均掉,失去指导意义。第三个坑是选择偏差。现场往往只对看起来有潜力的井上措施,这批井本身就比其他井好,直接比较措施井和非措施井会高估效果。这三点决定了预测模型和优化模型是两码事。预测模型只要拟合准就行,优化模型必须能回答反事实,也就是在没有实施这个措施的反事实世界里产量会是多少。这就要求把变量明确分成三类:干预 T(注水量增量、压裂规模、举升频率)、结果 Y(产油增量、含水率变化)、混杂 X(地层渗透率、井深、井距、历史含水)。只有 X 被正确控制,估计出来的效应才可信。2.2 干预、混杂与 CATE:一套能落到油田数据上的定义把符号落到业务上会更清楚。T 通常取离散化的处理档位,比如注水量增量分成 0、5、10、15 方/日四档,或者取连续值做连续处理。Y 取措施后 30 天相对措施前 30 天的日均产油差,这样能抵消季节性影响。X 是措施的分配机制里涉及的所有变量,漏掉一个强混杂因子,估计就会偏。接下来是 ATE 和 CATE 的区别。ATE 是全油田平均处理效应,告诉你整体上提注 10 方/日能增产多少;CATE 是条件平均处理效应,告诉你对这类井、这个含水阶段提注 10 方/日能增产多少。工艺优化真正需要的是 CATE,因为油田不可能整体提注,只能挑井提注。CATE 的估计本质上是一个异质性建模问题,把 T 和 X 的交互项交给模型去学,学习目标不是拟合 Y,而是拟合去掉混杂后的效应。这里要强调三个识别假设。可忽略性,即给定 X 后处理分配与潜在结果独立;重叠性,即任意 X 取值下都有一定概率被处理或不被处理;SUTVA,即一口井的处理不影响另一口井的结果。第三条在井网密集的区块尤其容易被破坏,必要时要把井组作为分析单元而不是单井。2.3 估计器怎么选:DML、T-Learner、因果森林的取舍估计器适用场景样本量要求主要风险线性 DML处理为连续值,效应近似线性中非线性效应被压平T-Learner处理组与对照组差异大大两组样本不均时方差大X-Learner处理组样本远少于对照组中实现复杂,调参成本高因果森林高维 X,需要 CATE 排序大外推到无重叠区域不可靠双重稳健估计X 维度中等,想要置信区间中依赖倾向得分模型质量我一般先用线性 DML 跑一版基线,拿到 ATE 和置信区间,确认方向和量级是否符合工艺常识;再用因果森林算 CATE,做井的排序。如果两版结论打架,大概率是重叠性被破坏,需要先检查倾向得分分布,而不是急着换模型。2.4 识别假设的自检代码import numpy as np from sklearn.ensemble import GradientBoostingClassifier from sklearn.model_selection import cross_val_predict # X: 混杂特征矩阵; T_bin: 二值化后的处理标记(如是否提注超过10方/日) ps cross_val_predict( GradientBoostingClassifier(n_estimators200, max_depth3, random_state0), X, T_bin, methodpredict_proba, cv5 )[:, 1] # 重叠性检查:倾向得分落在极端区间的样本占比 extreme np.mean((ps 0.05) | (ps 0.95)) print(f极端倾向得分占比: {extreme:.3f}) # 若超过 5%,建议裁剪样本或改用井组作为分析单元 mask (ps 0.05) (ps 0.95) X_trim, T_trim, Y_trim X[mask], T_bin[mask], Y[mask]这段代码先用梯度提升树估计倾向得分,再做重叠性诊断。参数上n_estimators200和max_depth3是保守配置,倾向得分模型不需要太强,过强反而会把真实重叠区域切掉,这是常见误用。extreme阈值取 0.05 是经验值,油气数据处理量不大,可以放宽到 0.1。裁剪样本会改变估计目标人群,写报告时要注明结论只覆盖裁剪后的子人群,不能直接外推到全油田。3. 多模态特征提取:把测井、示功图、时序、文本塞进同一张宽表3.1 四类模态各自的特征化路线模态原始形态特征化方式典型特征测井曲线深度采样序列重采样 分段统计GR/RT/DEN 均值、方差、斜率示功图载荷-位移闭合曲线几何 频域描述面积、载荷差、傅里叶系数时序传感器分钟级压力流量滑动窗口统计均值、方差、峰度、趋势斜率工艺文本作业日报记录大模型抽取标签措施类型、施工参数、异常描述四条线的采样率差了几个数量级,不能简单拼接。我的做法是统一到井-月粒度:测井按生产层段取加权均值,示功图取当月代表性的一张做几何特征,时序做 30 天窗口统计,文本抽成结构化字段。粒度统一之后,再和 T、Y 对齐成一张宽表。3.2 示功图转特征的最小实现import numpy as np from scipy.fft import rfft def pump_card_features(load, disp): load: 载荷序列(kN); disp: 位移序列(m), 长度与 load 一致 load, disp np.asarray(load), np.asarray(disp) area np.trapz(load, disp) # 闭合曲线面积,反映做功 feat { max_load: load.max(), min_load: load.min(), load_range: load.max() - load.min(), area: abs(area), stroke: disp.max() - disp.min(), } # 归一化后取前 8 个傅里叶幅值,描述曲线形状 amp np.abs(rfft(load - load.mean()))[:8] for i, a in enumerate(amp): feat[ffft_{i}] a / (len(load) 1e-6) # 上下冲程斜率,用于识别泵况异常 half len(load) // 2 feat[slope_up] np.polyfit(disp[:half], load[:half], 1)[0] feat[slope_down] np.polyfit(disp[half:], load[half:], 1)[0] return feat函数把一张示功图压成 13 维特征。np.trapz算的是载荷对位移的积分,物理含义是单冲程做功,泵况变差时这个值会明显下降。傅里叶幅值前 8 项按序列长度归一化,是为了消除不同采样点数带来的量纲差异,这一步如果漏掉,同一口井换采集设备后特征会整体偏移。上下冲程斜率用最小二乘拟合,游动阀漏失时上冲程斜率会变缓,这是现场老师傅也在看的指标。注意位移序列要和载荷严格同步,现场常见的坑是两者时间戳错位半分钟,算出来的面积完全是噪声。3.3 时间窗口对齐与工艺文本结构化时序特征的对齐原则是措施前窗口和措施后窗口必须等长且不重叠,中间留出 7 天缓冲期,因为措施效果不会当天显现。缓冲期怎么定,取决于工艺类型:酸化、压裂的响应更快,注水调配的响应可能滞后两三周,这个参数应该由采油工程师给,而不是算法自己猜。工艺文本的结构化可以直接调 DeepSeek API 完成,把作业日报原文连同字段定义一起放进提示词,要求输出 JSON。相比自己训一个抽取模型,这种方式冷启动成本低,遇到新措施类型时改提示词就行,不需要重新标注。代价是每次调用有成本,所以只对增量文本调用,历史文本抽取一次就落库。抽取结果作为特征入模前要做基数处理,措施类型做独热编码,施工参数做分段离散化,否则大模型输出的自由文本会污染特征矩阵。4. CATE 建模与 DeepSeek 接入的完整实操4.1 宽表字段与工艺参数定义字段角色类型说明well_id主键string井号month时间date分析月份delta_water干预 Tfloat注水增量(方/日)oil_gain结果 Yfloat日均产油增量(吨/日)water_cut混杂 Xfloat措施前含水率perm混杂 Xfloat渗透率(mD)net_pay混杂 Xfloat有效厚度(m)well_space混杂 Xfloat井距(m)pump_area混杂 Xfloat示功图面积特征press_std混杂 Xfloat井口压力 30 天标准差这张表的关键点是 X 里同时包含地质静态量和生产动态量。只放静态量会漏掉含水和压力这类强混杂,而它们恰好随时间变化,是最容易造成时变混杂的来源。用因果推断做开采工艺优化时,动态混杂必须按月对齐到同一时点,不能用年末汇总值。4.2 用 DML 估计单井注水增量效应from econml.dml import LinearDML, CausalForestDML from sklearn.ensemble import RandomForestRegressor import numpy as np # Y: 产油增量; T: 注水增量; X: 需要估计异质性效应的特征; W: 普通混杂 model_y RandomForestRegressor(n_estimators300, min_samples_leaf5, random_state0) model_t RandomForestRegressor(n_estimators300, min_samples_leaf5, random_state0) dml LinearDML(model_ymodel_y, model_tmodel_t, discrete_treatmentFalse, cv5, random_state0) dml.fit(Y, T, XX_hetero, WW_confound) ate dml.ate(XX_hetero) lb, ub dml.ate_interval(XX_hetero, alpha0.05) print(f平均处理效应 {ate:.3f} 吨/日, 95% CI [{lb:.3f}, {ub:.3f}]) # 单井 CATE 排序,用于挑井提注 cate dml.effect(XX_hetero) order np.argsort(-cate)这里用了双重机器学习框架,核心是用两个辅助模型分别拟合 Y 和 T 对混杂的依赖,再对残差做因果估计,这样即使辅助模型有偏,主效应估计仍能保持一致性。cv5是交叉拟合,防止过拟合导致效应被低估,这个参数不能省。X_hetero放的是希望看异质性的变量,比如含水率区间和井距;W_confound放的是需要控制但不关心异质性的变量。ate_interval给出的置信区间是挑井的依据,后文会讲怎么用它设门槛。换CausalForestDML可以得到非线性的 CATE,但样本少于两千条时置信区间会明显变宽,这种时候宁可回到线性版本。4.3 DeepSeek API 如何调用、什么时候本地部署 DeepSeek估计出 CATE 只是半成品,现场要的是这口井该怎么调。这一步可以把 CATE 和井况喂给 DeepSeek 生成初稿建议,再由工艺人员审核。调用方式走开放平台兼容接口,几行代码就能跑通。import os from openai import OpenAI client OpenAI( api_keyos.environ[DEEPSEEK_API_KEY], base_urlos.environ[DEEPSEEK_BASE_URL], # 开放平台控制台提供的兼容地址 ) prompt f你是采油工艺工程师。基于以下因果推断结果给建议: 井号 {well_id}, 建议注水增量 {delta:.1f} 方/日, 估计产油增量 CATE{cate:.2f} 吨/日, 95% CI [{lb:.2f}, {ub:.2f}], 措施前含水率 {wc:.1f}%, 渗透率 {perm:.1f} mD。 要求: 给出 3 条可执行调整建议, 每条注明适用条件和风险, 不要输出无依据的数字。 resp client.chat.completions.create( modeldeepseek-chat, messages[{role: user, content: prompt}], temperature0.2, # 工程场景压低随机性 max_tokens800, ) print(resp.choices[0].message.content)temperature0.2是工程建议场景的经验值,再高会出现自造参数的情况。max_tokens800对应三条建议加风险说明的长度,设太大会让模型开始编造不存在的历史数据。提示词里明确写了不要输出无依据的数字,这一句能显著降低幻觉率。如果要接内网数据,就得考虑本地部署 DeepSeek。常见做法是用推理框架加载量化后的模型,起一个兼容 OpenAI 协议的服务,然后把base_url指向内网地址,上层代码一行不用改。选本地部署的判断标准不是数据敏感程度这么简单,还要看调用量和响应延迟要求:日均调用量小、只做文本抽取的场景,调 API 更省事;需要把 CATE 结果实时推到每口井、且数据不出园区,才值得上本地部署。另外本地部署要额外准备 GPU 显存和模型更新流程,这部分运维成本常被低估。5. 现场落地排错:因果图校验、漂移监控与缺失处理5.1 因果图要和采油工程师对一遍模型跑出来的 CATE 如果和工艺常识相反,比如高含水井提注被算出正效应,先别改模型,去核对因果图。最常见的错误是把含水率既当成混杂又当成中介:提注导致含水上升,含水上升又影响产油,这时含水是中介变量,把它放进混杂会挡住一部分真实效应。判断方法很简单,问一句这个变量是在措施之后才变化的吗,是就是中介,该用中介分析而不是直接控制。因果图还要标出不可观测混杂。地层非均质性、井下设备状态这类量往往没有完整记录,如果它们同时影响配注决策和产量,可忽略性就不成立。可行的补救是找工具变量,比如同区块其他井的配注变化,或者用断点回归,利用配注方案调整的时点做准自然实验。这类方法对数据质量要求高,小样本下置信区间会很宽,要在报告里如实写明。5.2 上线后盯哪几个数监控项计算方式告警阈值处置动作特征 PSI当前月 vs 训练集分布 0.2检查数据源,考虑重训倾向得分均值漂移月度均值变化 0.05复核处理分配机制CATE 分布偏移分位数对比中位数偏移 20%分区块重估建议采纳率现场实际执行比例 40%回访工艺人员预测残差自相关滞后 1 期相关 0.3检查时序特征对齐import numpy as np def psi(base, curr, bins10): Population Stability Index, 衡量特征分布漂移 breakpoints np.quantile(base, np.linspace(0, 1, bins 1)) breakpoints[0], breakpoints[-1] -np.inf, np.inf b np.histogram(base, breakpoints)[0] / len(base) 1e-6 c np.histogram(curr, breakpoints)[0] / len(curr) 1e-6 return np.sum((c - b) * np.log(c / b)) # 对每个入模特征算 PSI, 超过 0.2 的特征单独列出 for col in feature_cols: v psi(train_df[col].values, curr_df[col].values) if v 0.2: print(f{col} PSI{v:.3f}, 需检查数据源)psi的分箱基于训练集分位数,这样保证基准分布和当前分布用同一套边界,直接对当前数据分箱会导致结果不可比。1e-6是防止某箱为空时对数发散,这个平滑项在大样本下影响可忽略。阈值 0.2 来自风控领域经验,油气数据波动更大,建议对压力、流量这类动态特征放宽到 0.25,避免频繁误报。特征 PSI 报警不等于模型失效,但如果同时出现 CATE 分布偏移,基本可以确定需要重训。5.3 数据缺失与报错排查油气数据缺失有两种,一种是设备离线造成的随机缺失,一种是低产井长期不计量造成的结构性缺失。前者可以插值,后者不能,因为缺失本身就和处理分配相关,插值会引入偏差。识别方法是看缺失率与产量是否相关,相关就不能简单填补,应该把缺失当成一个单独的类别入模。常见的接口报错里,连接类问题多出在网络策略或密钥环境变量没加载,先确认DEEPSEEK_API_KEY和DEEPSEEK_BASE_URL在运行环境里能读到,而不是写死在代码里。返回内容被截断一般是max_tokens太小,长文本抽取场景要给到 2000 以上。如果返回的 JSON 解析失败,通常是提示词里没给输出示例,补一个字段完整的样例能解决大部分情况。6. 把 504 页方案压成两周能跑通的最小验证再完整的方案也要先做出一个能验证的小闭环,否则评审会上永远说不清效果。我的做法是砍到单区块、单工艺、单干预类型:只选一个注采井组,只研究注水量调配,只预测 30 天产油增量。数据范围缩到三年,井数控制在几十口,这样两周内能完成从特征到 CATE 的全流程。第一步是确认数据能对齐。把测井、示功图、时序、日报四类数据按井-月聚合,统计有多少口井在三年里同时具备四类数据。如果只剩个位数,说明特征体系要简化,优先保留测井和时序,示功图可以退化成月度汇总值。这一步花一天,能省掉后面两周的返工。第二步是跑通因果估计的最小版本,先用线性 DML 加五六个核心混杂特征,拿到 ATE 和置信区间,和领域专家给的预期范围比对。如果方向对但量级差一个数量级,多半是 Y 的单位或时间窗口定义有问题。这一步的产出不是模型,而是一张哪些井值得提注的排序表。第三步是把排序表交给工艺人员盲评。挑出模型排名前 10 的井和他们凭经验选的井做对比,重合度能到六成以上,说明模型学到了业务逻辑;重合度低就要回到 2.1 那三个坑里找原因。这个对比比任何离线指标都有说服力。最后一步是设定推荐门槛。我通常用 CATE 下界而不是点估计做门槛:只有当 CATE 的 95% 置信区间下界大于 0.5 吨/日时才进入推荐清单,上界与下界跨度超过点估计两倍的井直接排除,因为这种井的异质性估计不稳定。这套门槛会在初期过滤掉大量井,但换来的是采纳率和现场信任度,对后续要扩大范围的项目来说,这比多推几口井重要得多。本文还有配套的精品资源点击获取