4. 指数递减模型拟合实战

指数递减是Arps三类递减中最基础、也最便于工程落地的一类。其产量随时间的变化可写为：

q(t) = q_i · e^−Dt

其中 q_i 为初始产量（递减起始时刻的产油量），D 为名义递减率（单位时间，常用 1/月 或 1/年），t 为生产时间。指数递减的关键特征是半对数坐标下呈直线——对两边取自然对数得 ln q = ln q_i − D·t，这正是线性回归能够直接求解参数的依据。本节以一口实际生产井的月度产量数据为例，完整走通线性回归与非线性回归两条拟合路径，并给出拟合优度的评估方法。

一、数据准备与预处理

假设某井进入递减期后连续生产 12 个月，月产油量（单位：10⁴ m³/月）依次为：

拟合前必须做三件事：其一，剔除异常点，如修井、关井、提液等作业造成的非递减波动，否则会严重扭曲递减率；其二，确定递减起点，通常取产量进入稳定递减趋势的第一个月，本例取 t=1；其三，统一时间单位，若用月产量则 D 为月递减率，换算年递减率时用 D_年 = 1 − (1 − D_月)¹²，不可简单乘 12。

二、线性回归法：半对数直线拟合

令 y = ln q，x = t，则模型化为 y = a + b·x，其中 a = ln q_i，b = −D。用最小二乘法对 12 个点回归，得到斜率 b ≈ −0.0812，截距 a ≈ 2.176。于是：

D = -b = 0.0812 /月
q_i = e^a = e^2.176 ≈ 8.81 (10^4 m^3/月)
拟合式: q(t) = 8.81 · e^(-0.0812 t)

线性回归的优点是计算简单、可用Excel的LINEST或SLOPE/INTERCEPT函数直接完成，且对初始值不敏感。但它有一个隐含缺陷：在对数空间最小化残差，等价于对低产量段赋予更高权重，因为 ln q 的等量误差在高、低产量处对应的绝对误差并不相同。当产量跨度较大时，线性回归会偏向拟合后期低产数据，导致 q_i 偏高、D 偏大。

三、非线性回归法：直接最小化产量残差

非线性回归直接在原始产量空间最小化残差平方和：

SSE = Σ [q_obs(t) − q_i·e^−Dt]²

以线性回归结果为初值（q_i=8.81，D=0.0812），采用Levenberg–Marquardt或高斯–牛顿迭代，逐步修正参数。迭代收敛后得到 q_i ≈ 8.62，D ≈ 0.0785。与线性回归相比，q_i 略降、D 略降，说明线性回归确实因对数加权而高估了递减速度。非线性回归更符合“产量绝对误差最小”的工程直觉，但需要合理初值，否则可能陷入局部极小或不收敛。

四、拟合优度评估：不能只看一个R²

两条路径得到的 R² 都在 0.998 以上，看似都很好，但必须区分在哪个空间计算。线性回归的 R² 是在 ln q 空间算的，非线性回归的 R² 是在 q 空间算的，两者不可直接比较。工程上建议同时看三个指标：

• 产量空间 R²：R² = 1 − SSE/Σ(q_obs − q̄)²，本例非线性回归约 0.998，线性回归换算到产量空间约 0.996，差距虽小但方向明确。
• 平均绝对百分误差 MAPE：MAPE = (1/n)Σ|q_obs − q_fit|/q_obs，本例非线性回归约 1.8%，线性回归约 2.6%，后者在低产段误差偏大。
• 残差分布：把残差对 t 作图，若呈系统性弯曲（如两端正、中间负），说明指数模型本身不适配，应考虑双曲递减或调和递减，而非继续调参。

五、两条路径的取舍与实操建议

线性回归适合快速初判与现场粗算：数据点少、产量跨度不大时，半对数直线法几分钟即可给出 q_i 与 D 的量级，且便于用图解法外推。非线性回归适合正式标定与预测：当产量跨度超过一个数量级、或需要与双曲/调和模型做统一比较时，应在产量空间最小化残差，并以线性回归结果作为初值保证收敛。

实操中还有两个易错点值得强调。第一，时间零点必须与 q_i 对应：若把递减起点定在 t=0，则 q_i 就是该时刻产量；若定在 t=1，则 q_i 是外推到 t=0 的截距产量，二者数值不同，预测时必须保持一致。第二，外推要设边界：指数递减在数学上趋于零但永不归零，实际预测应结合经济极限产量 q_lim 确定废弃时间 t_ab = ln(q_i/q_lim)/D，本例若取 q_lim=0.5，则 t_ab ≈ ln(8.62/0.5)/0.0785 ≈ 36.4 个月，即约 3 年进入经济极限。

最后需要提醒：本例数据为教学构造的示例，真实井数据往往含有作业干扰、压力波动与计量误差，拟合前的数据清洗质量直接决定参数可信度。建议保留原始数据、清洗规则与拟合脚本，使 q_i、D 与 R² 可复现、可追溯，为后续递减类型判别与产量预测打好基础。