Os reservatórios de gás condensado em meios complexos de poros ultra profundos, fendas e falhas apresentam características de fluxo de fluidos altamente heterogêneas. Durante o desenvolvimento, o sistema de fissuras frequentemente sofre condensação reversa devido à pressão local extremamente baixa, enquanto a pressão da matriz e a pressão média do reservatório ainda estão acima da pressão do ponto de orvalho. Isso torna difícil para os métodos tradicionais de engenharia de reservatórios baseados na pressão média identificarem com precisão o momento e o alcance da condensação reversa local. Para enfrentar esse desafio, este artigo foca no reservatório de gás condensado Bozi, na depressão de Kuqa, no norte da bacia do Tarim, analisando sistematicamente os mecanismos de fluxo de fluidos nos três meios poro-fenda-falha e suas respostas de pressão. Com base nas características de variação da pressão do óleo na cabeça do poço, a fase de produção é dividida em três categorias: período de declínio estável, período de flutuação instável e período de declínio acelerado. As flutuações anômalas na taxa gás-óleo (Gas-Oil Ratio, GOR) são um sinal de alerta para ocorrência de mudança de fase, e o estudo segmentado do GOR em diferentes intervalos de pressão pode refletir a evolução dinâmica dos reservatórios complexos em diferentes fases. Este artigo propõe um modelo de previsão combinado, otimizado com o Algoritmo de Otimização Pelicano (Pelican Optimization Algorithm, POA), que combina a rede de memória de longo e curto prazo (LSTM) e a rede convolucional temporal (Temporal Convolutional Network, TCN). O algoritmo POA é utilizado para otimizar globalmente os hiperparâmetros do LSTM e do TCN, e com uma estratégia de fusão ponderada é construído um modelo combinado POA-LSTM-TCN para realizar previsão segmentada do GOR em diferentes fases. Os resultados mostram que o erro percentual absoluto médio (MAPE) dos modelos POA-LSTM e POA-TCN otimizados é de 3,71% e 7,73%, respectivamente, enquanto o MAPE do modelo combinado POA-LSTM-TCN é de 2,40%, representando uma redução de 1,31% e 5,33% em comparação com os modelos individuais. A validação adicional com resultados de simulação numérica revelou que os métodos tradicionais de engenharia de reservatórios baseados apenas na pressão média não conseguem identificar eficazmente a condensação reversa nas fissuras, enquanto o uso do modelo POA-LSTM-TCN para prever o GOR permite uma identificação precisa e rápida da condensação reversa, e um desvio da previsão do GOR acima do limiar estabelecido indica a ocorrência de condensação reversa no reservatório. Portanto, este estudo preenche as lacunas dos métodos tradicionais na identificação da condensação reversa local, oferecendo um método de alerta precoce baseado na detecção antecipada de anomalias, tendo valor teórico e aplicação prática importantes para a análise dinâmica da produção em reservatórios complexos, reconhecimento do mecanismo de condensação reversa e otimização dos planos de desenvolvimento.

Bacia do Tarim; reservatório Bozi; meios complexos; reservatórios de condensado; taxa gás-óleo; condensação reversa; redes neurais