3. 产能预测所需基础数据体系
煤层气井产能预测与递减曲线拟合，本质上是一个“数据驱动+机理约束”的过程。无论采用解析模型、数值模拟还是经验递减曲线，输入数据的完整性与一致性直接决定预测结果的可信度。现场常见的情况是：模型方法选得不错，但数据口径混乱、单位不统一、缺失段随意插值，最终拟合出的递减率与EUR偏差很大。因此，建立一套结构清晰、可追溯、可校验的基础数据体系，是产能预测工作的第一步，也是最容易被低估的一步。
从数据来源看，产能预测所需的基础数据可归为四大类：地质参数、压裂参数、排采制度与生产历史数据。四类数据在时间尺度、采集主体和精度要求上差异明显，需要分别设计采集与质控策略，再在统一的数据表中完成关联。
地质参数：从测井与岩心到可用的储层描述
地质参数是产能预测的“底图”。煤层厚度、埋深、含气量、吸附等温线、孔隙度、渗透率、储层压力与含水性，共同决定了资源基础与初始产能潜力。采集上，厚度与埋深来自测井曲线解释，含气量来自取心解吸实验，吸附等温线来自等温吸附测试，渗透率则常通过试井或注入/压降测试获得。这些数据往往分散在地质、测井、实验室三个环节，整理时必须统一到“井—层段—深度”的坐标体系下。
质控要点有三：其一，含气量必须注明是空气干燥基还是干燥无灰基，不同基准相差可达百分之十几；其二，渗透率要区分原始储层渗透率与压裂改造后的有效渗透率，二者在模型中不可混用；其三，吸附等温线的朗格缪尔体积与压力必须与实测温度对应，温度不符会导致临界解吸压力计算失真。示例而言，若某井实测含气量18 m³/t（空气干燥基）、朗格缪尔体积25 m³/t、朗格缪尔压力3.2 MPa，则临界解吸压力约在2.3 MPa附近，这一数值将直接约束后期排采降压的设计目标。
压裂参数：记录“改造了什么”，而非只记录“用了多少”
压裂参数决定近井地带的气体渗流能力，是产能预测中敏感度最高的输入之一。需要采集的不仅是液量、砂量、排量这些施工总量，更包括压裂液体系、支撑剂粒径与砂比、射孔层段与簇数、施工泵压曲线，以及由压裂监测或拟合得到的裂缝半长与导流能力。施工总量回答“投入了多少”，裂缝几何与导流能力才回答“形成了什么”。
整理时建议把每口井的压裂段按“段—簇”拆分，并与生产层段一一对应。质控上重点核对：砂比与排量是否在施工曲线上有对应峰值；裂缝半长是否与压裂规模、邻井类比结果量级一致；导流能力是否考虑了煤层软、易嵌入的特点。若某段设计砂比12%、实际平均砂比仅8%，则有效裂缝长度可能明显低于设计值，预测时应对该段导流能力做折减，而不是直接套用设计参数。
排采制度：把“操作历史”翻译成“压力历史”
煤层气井的产能释放高度依赖降压过程，排采制度因此不是辅助信息，而是产能预测的关键边界条件。需要采集套压、井底流压、动液面、沉没度、降液速率、憋压与放压操作、工作制度变更时间点，以及停抽、间抽等事件。整理的核心工作是把这些离散的操作记录，转换为连续的压力—时间序列。
实际操作中，动液面与井底流压往往不是每日实测，需要用套压、液面与流体密度进行折算，并明确折算公式与假设。质控上要特别关注“降液速率突变点”：快速降液可能造成煤层应力敏感、渗透率下降，若预测模型未体现这一历史，拟合出的递减率会偏乐观。建议在数据表中单列“制度变更”字段，记录变更日期、变更前后参数与变更原因，使压力历史可解释、可复现。
生产历史数据：日度数据的清洗比建模更费功夫
生产历史数据包括日产气、日产水、套压、流压、液面、累计产量、开井时率与生产天数，以及异常与修井记录。这类数据量大、噪声多，常见问题包括：计量误差导致的日产气负值或跳变、停井期间仍记录产量、累计产量与日产量之和不闭合、单位在万方与方之间混用。
清洗时应遵循“先标记、后处理”的原则：对负值、超物理上限值、连续多日恒定值打上异常标记，保留原始值；对停井段单独标识，不参与递减拟合；对缺失段优先用同井相邻时段或同区块同类井类比补全，并记录补全方法。递减曲线拟合通常只使用“正常生产、制度相对稳定”的时段，因此生产天数与开井时率的准确性，直接决定拟合样本的有效性。
从采集到可用：一条可执行的质控主线
四类数据最终要汇聚到统一的数据表中，以“井号—日期—参数—单位—来源”为主键组织。整合阶段完成三件事：时间对齐（把地质、压裂的静态数据挂到井上，把排采与生产数据对齐到日）、单位归一（气量统一为方或万方、压力统一为MPa、渗透率统一为mD）、缺失标记（区分“未测”“未记录”“不适用”）。随后进入质控四关：完整性检查看缺项缺段，一致性检查看单位与口径，合理性检查看负值、跳变与超限，可追溯性检查看来源、修改与审核记录。
只有通过质控的数据，才应进入递减曲线拟合与产能预测模型。实践中一个有效做法是：先用清洗后的数据做一次“盲拟合”，观察拟合残差是否集中在某些时间段；若残差系统性偏大，往往不是模型问题，而是该时段存在未记录的制度变更或计量异常。回到数据台账核查，通常能找到原因。数据体系的价值，正在于让每一次预测偏差都能被追溯、被解释、被修正。