CN108595803B - 基于递归神经网络的页岩气井生产压力预测方法 - Google Patents

基于递归神经网络的页岩气井生产压力预测方法 Download PDF

Info

Publication number
CN108595803B
CN108595803B CN201810329181.0A CN201810329181A CN108595803B CN 108595803 B CN108595803 B CN 108595803B CN 201810329181 A CN201810329181 A CN 201810329181A CN 108595803 B CN108595803 B CN 108595803B
Authority
CN
China
Prior art keywords
shale gas
data
neural network
production
pressure
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810329181.0A
Other languages
English (en)
Other versions
CN108595803A (zh
Inventor
易军
彭军
唐德东
汪宏金
辜小花
夏钦峰
陈婷婷
陈宁
陈雪梅
白俊仁
吴凌
汪波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Chongqing University of Science and Technology
Sinopec Chongqing Fuling Shale Gas Exploration and Development Co Ltd
Original Assignee
China Petroleum and Chemical Corp
Chongqing University of Science and Technology
Sinopec Chongqing Fuling Shale Gas Exploration and Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Chongqing University of Science and Technology, Sinopec Chongqing Fuling Shale Gas Exploration and Development Co Ltd filed Critical China Petroleum and Chemical Corp
Priority to CN201810329181.0A priority Critical patent/CN108595803B/zh
Publication of CN108595803A publication Critical patent/CN108595803A/zh
Application granted granted Critical
Publication of CN108595803B publication Critical patent/CN108595803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于递归神经网络的页岩气井生产压力预测方法，首先利用自适应分段算法对页岩气生产数据进行初步分段拟合，分段剔除不完整数据以及异常数据，以保证数据的准确性；再利用斯皮尔曼相关系数分析法对生产数据进行相关性分析，从而分析不同变量因素的相关密切程度，以确定用于递归神网络建模的输入变量。最后运用递归神经网络对生产压力进行建模，最终利用建立好的模型对生产压力进行预测，以达到为后期实际生产提供参考和预警的目的。

Description

基于递归神经网络的页岩气井生产压力预测方法
技术领域
本发明属于智能控制领域，具体涉及一种基于递归神经网络的页岩气定产井生产压力预测方法。
背景技术
在采气过程中，生产压力可以反映(气井生产状态是否异常)，然而页岩气井储量巨大，生产过程复杂，呈现出非线性、强耦合、时序性等特点，导致生产压力难以预测。生产过程中采集的大量数据蕴含信息丰富，若能根据历史生产数据对气井的生产压力进行预测，可对后期开发和生产指导两个方面产生促进作用。传统页岩气产能预测方法有Arps典型曲线模型方法、幂律指数模型方法等，利用递减曲线法进行产量预测。然而，当涪陵焦石坝页岩气田采用定产生产方式时，产量恒定不变，无法采用递减曲线法，因此传统方法无法有效对生产压力进行预测。而递归神经网络具有很强的非线性映射能力，适用于解决非线性系统建模问题，为生产过程压力建模提供了新的思路。对于页岩气生产数据，具有噪声大、不完整、易受人为影响等特点，若直接使用，会影响动态模型的准确度。因此，在模型建立之前，应对数据进行筛选及处理操作，保留完整、正确的数据，才能保证所建模型的真实性与准确性。因此可引入初步分段拟合的方法，初步对数据进行处理，利用斯皮尔曼相关系数分析法对生产数据进行相关性分析，从而分析不同变量因素的相关密切程度，以确定用于递归神网络建模的输入变量。最后运用Elman递归神经网络对生产压力进行建模，最终利用建立好的模型对生产压力进行预测。递归神经网络通常用于描述动态时间行为序列，将状态在自身网络中循环传递，可以接受更为广泛的时序序列结构输入。不同于前馈深层神经网络，递归神经网络更重视网络的反馈作用。由于存在当前状态和过去状态的连接，递归神经网络可以具有一定的记忆功能。
发明内容
本发明的目的在于克服现有技术的不足，提供一种预测结果更加准确的基于递归神经网络的页岩气井生产压力预测方法。
本发明的目的是这样实现的：
一种基于递归神经网络的页岩气井生产压力预测方法，如下步骤：
S1：选择对页岩气井生产有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选控制参数的个数；选定页岩气工业现场，采集N组决策变量X1,X2,…,XN及其对应的N组生产数据；利用自适应分段算法对所述的生产数据进行初步分段拟合；
S2：选定相关系数分析法对N组生产数据进行相关性分析，以确定页岩气井生产数据模型的输入变量；
S3：利用递归神经网络算法，对步骤S2所得的输入变量进行建模，建立基于递归神经网络的页岩气井生产数据模型；
S4：按照步骤S3所得的基于递归神经网络的页岩气井生产数据模型对页岩气井生产压力进行预测。
优选地，步骤S1中，所述控制参数包括系列油管压力Y、套管压力T、产水量W、页岩气产量P。
优选地，步骤S1中的自适应分段算法包括以下步骤：
S11：根据页岩气井历史生产数据，评价每个油管压力数据的准确度，首先将不完整的数据进行线性插值，其公式为：
Figure BDA0001627446550000031
其中yk为油管压力，xk为生产时间；
S12：将插值补充完整后的油管压力数据进行自适应初步分段拟合，分段剔除异常数据：
Figure BDA0001627446550000032
R＝kn-1-kn-2，n＝1,2,…N；
其中：xn，xn-1，yn，yn-1，为相邻两点的横纵坐标；k为斜率；R为阈值；
S13：通过对页岩气生产数据的研究和结合专家实际生产经验建立异常数据判断条件，剔除异常数据；
S14：再一次对油管压力数据进行线性插值。
优选地，步骤S2中，选定斯皮尔曼相关系数分析法，以油管压力Y作为基本参考变量，分别分析页岩气产量P、产水量W、套管压力T与油管压力Y的相关性。
优选地，步骤S3中，以油管压力作为输出，建立基于递归神经网络的页岩气井生产数据模型，其输入层采用4个神经元节点，隐藏层采用15个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为Logsig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为2000。
优选地，步骤S3中建模方法包括以下步骤：
S31：初始化网络参数，包括阈值R，迭代次数T，权值w，令外部存档集Q为空；
S32：设定递归神经网络输入，设定递归神经网络输出值y(k)与理想输出值d(k)之间的误差e(k)，理想输出值d(k)指油管压力值Y1,,Y2,…,YN：
e(k)＝d(k)-y(k)；
S33：定义k时刻网络权值调整的误差函数E：
Figure BDA0001627446550000041
其中，di(k)是k时刻第i个输出节点的期望输出；yi(k)为神经网络实际输出；
S34：计算各层的权值变化率：
Figure BDA0001627446550000042
Figure BDA0001627446550000043
其中βij(0)＝0；i＝1,2,…,n1；j＝1,2,…,n0；
Figure BDA0001627446550000044
δi(0)＝0；i＝1,2,…,n1；
其中
Figure BDA0001627446550000045
分别表示隐含层第i个节点的输入及输出；n0、n1分别为输出层和隐含层节点数；
Figure BDA0001627446550000046
分别表示关联层、输出层、隐含层权值；
S35：修正网络权值，计算公式为：
Figure BDA0001627446550000047
其中w(k)可为
Figure BDA0001627446550000051
式中w(k)可代表输出层、隐含层或输入层权值，η为学习速率；
S36：利用建立的模型进行油管压力预测，预测值与实际值比较；
S37：判断当前模型预测精度是否满足要求，若精度不满足要求，重新进行训练，调整迭代次数T；若满足，则为最终建立的模型。
由于采用了上述技术方案，本发明提供了一种基于递归神经网络的页岩气定产井生产压力预测方法，首先利用自适应分段算法对页岩气生产数据进行初步分段拟合，分段剔除不完整数据以及异常数据，以保证数据的准确性；再利用斯皮尔曼相关系数分析法对生产数据进行相关性分析，从而分析不同变量因素的相关密切程度，以确定用于递归神网络建模的输入变量。最后运用Elman递归神经网络对生产压力进行建模，最终利用建立好的模型对生产压力进行预测，以达到为后期实际生产提供参考和预警的目的。
附图说明
图1为本发明的方法流程图；
图2为页岩气气井生产数据图
图3为自适应分段拟合结果图；
图4为异常数据处理结果图；
图5为递归神经网络预测结果图；
图6为预测误差图。
具体实施方式
如图1所示，一种基于递归神经网络的页岩气井生产压力预测方法，如下步骤：
S1：选择对页岩气井生产有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选控制参数的个数；通过统计页岩气生产过程中对油管压力变化有影响的原始变量，并从中确定对油管压力变化影响大的参数作为决策变量X。本实施例通过对实际工业生产过程中测量参数进行统计，得到对油管压力x1变化影响较大变量为：套管压力x2、产量x3,产水量x4,为共3个变量。
选定页岩气工业现场，采集N组决策变量X1,X2,…,XN及其对应的油管压力Y1,,Y2,…,YN，套管压力T1,,T2,…,TN,页岩气产量P1,,P2,…,PN,产水量W1,,W2,…,WN为生产数据样本；首先利用自适应分段算法对N组油管压力Y1,,Y2,…,YN数据进行自适应初步分段拟合，分段对N组油管压力数据进行处理；
所述变量由于在开发过程中受到多种因素的影响，生产数据之间变化规律复杂，体现出强烈的非线性，强耦合等特征。而生产数据的筛选及处理在工业动态建模中占有很重要的地位。它是建模的第一步，只有得到好的数据才能保证得出的结果的真实性与准确性所以考虑到油管压力呈现阶段式变化的因素，选用自适应分段拟合，分段对油管压力进行处理。
针对自适应初步分段拟合而言，为了保证拟合的准确度，首先将不完整的数据进行线性插值，插值补充完整后的油压数据进行自适应分段拟合，分段剔除异常数据。
在本实施例中，采集中石化重庆涪陵页岩气勘探开发有限公司页岩气井(焦页1-3HF)2013年10月25到2017年4月生产数据，共计1339组数据，选取集中897条作为训练样本，242条作为测试集，部分数据样本如下表1所示。
表1部分数据样本
Figure BDA0001627446550000061
Figure BDA0001627446550000071
步骤S1中的自适应分段算法包括以下步骤：
S11：根据页岩气井历史生产数据，评价每个油管压力数据的准确度，首先将不完整的数据进行线性插值，其公式为：
Figure BDA0001627446550000072
其中yk为油管压力，xk为生产时间；
S12：将插值补充完整后的油管压力数据进行自适应初步分段拟合，分段剔除异常数据：
Figure BDA0001627446550000073
R＝kn-1-kn-2，n＝1,2,…N；
其中：xn，xn-1，yn，yn-1，为相邻两点的横纵坐标；k为斜率；R为阈值；它直接影响分段拟合的准确性。如果分段拟合误差较大，导致数据异错误率高，将会影响建立动态模型的准确性，从而影响预测效果。
S13：通过对页岩气生产数据的研究和结合专家实际生产经验建立异常数据判断条件，本实施例中，通过深度挖掘数据之间的关联性，定产条件下，产量波动大于1万，产水量平均值大于30％，则认为该点异常，由此剔除异常数据；
S14：再一次对油管压力数据进行线性插值。
S2：选定斯皮尔曼(Spearman)相关系数分析法对N组生产数据：油管压力Y1,,Y2,…,YN，套管压力T1,,T2,…,TN,页岩气产量P1,,P2,…,PN，产水量W1,,W2,…,WN进行相关性分析，以确定基于递归神经网络的页岩气井生产数据模型的输入变量；本实施例中，步骤S2中，以油管压力Y作为基本参考变量，分别分析页岩气产量P、产水量W、套管压力T与油管压力Y的相关程度以及关联性；从而分析不同变量因素的相关密切程度，以确定用于递归神网络建模的输入变量。
选用的Spearman相关分析法属于非参相关分析，它是根据数据的秩计算的，其先对原始变量的数据排秩，根据秩使用Spearman相关系数公式进行计算，它适合有序数据或不满足正态分布假设的等间隔数据。
步骤S2中相关性分析具体包括如下步骤：
S21：根据页岩气井原始生产数据，观测数据之间规律，页岩气生产数据属于时序性数据，在相关性分析方法上，选取斯皮尔曼分析，Spearman相关分析属于非参相关分析，它是根据数据的秩计算的，也就是说先对原始变量的数据排秩，根据秩使用Spearman相关系数公式进行计算，它适合有序数据或不满足正态分布假设的等间隔数据。相关值范围在[-1,1]，绝对是越大，表明相关性越强。其公式为：
Figure BDA0001627446550000081
式中，Ri是第i个x值的秩，Si是第i个y值的秩。
Figure BDA0001627446550000082
分别是Ri和Si的平均值。
S22：相关性分析后，得出相关性系数，分析变量油管压力、套管压力、页岩气产量、产水量之间的相关程度，确定步骤S3递归神经网络输入变量。
S3：利用递归神经网络算法，对步骤S2所得的输入变量进行建模，建立基于递归神经网络的页岩气井生产数据模型；
本实施例中，以油管压力作为输出，建立基于递归神经网络的页岩气井生产数据模型，其输入层采用4个神经元节点，隐藏层采用15个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为Logsig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为2000。
在递归神经网络设计中，由于存在递归信号，网路状态随时间的变化而变化，因此除了隐层节点数，学习速率也同样影响着神经网络模型的稳定性与准确性，是神经网络设计中的重难点。
隐层的节点数的设定由试凑法获得：
Figure BDA0001627446550000091
式中，p为隐层神经元节点数，n为输入层神经元数，m为输出层神经元数，k为1-10之间的常数。
最佳学习速率取值为：
Figure BDA0001627446550000092
Figure BDA0001627446550000093
本例中递归神经网络的设置参数如下表2所示
表2递归神经网络设置参数
Figure BDA0001627446550000094
Figure BDA0001627446550000101
设置Xk＝[xk1,xk2,…,xkM](k＝1,2,…,N)为输入矢量，N为训练样本个数，
Figure BDA0001627446550000102
为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),…,ykP(g)],(k＝1,2,…,N)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP],(k＝1,2,…,N)为期望输出；
步骤S3中建模方法包括以下步骤：
S31：初始化网络参数，包括阈值R，迭代次数T，权值w，令外部存档集Q为空；
S32：设定递归神经网络输入，设定递归神经网络输出值y(k)与理想输出值d(k)之间的误差e(k)，理想输出值d(k)指油管压力值Y1,,Y2,…,YN：
e(k)＝d(k)-y(k)；
S33：定义k时刻网络权值调整的误差函数E：
Figure BDA0001627446550000103
其中，di(k)是k时刻第i个输出节点的期望输出；yi(k)为神经网络实际输出。
S34：计算各层的权值变化率：
Figure BDA0001627446550000104
Figure BDA0001627446550000111
其中βij(0)＝0；i＝1,2,…,n1；j＝1,2,…,n0；
Figure BDA0001627446550000112
δi(0)＝0；i＝1,2,…,n1；
其中
Figure BDA0001627446550000113
分别表示隐含层第i个节点的输入及输出；n0、n1分别为输出层和隐含层节点数；
Figure BDA0001627446550000114
分别表示关联层、输出层、隐含层权值；
S35：修正网络权值，计算公式为：
Figure BDA0001627446550000115
其中w(k)可为
Figure BDA0001627446550000116
式中w(k)可代表输出层、隐含层或输入层权值，η为学习速率；
S36：利用建立的模型进行油管压力预测，预测值与实际值比较；
S37：判断当前模型预测精度是否满足要求，若精度不满足要求，重新进行训练，调整迭代次数T；若满足，则为最终建立的模型。
通过上述过程，可得到递归神经网络预测效果如图5、6所示。通过对图5、6分析可知，经递归神经网络训练，油管压力的最大相对预测误差为0.04模型预测精度高，满足建模要求。
S4：按照步骤S3所得的最优模型对页岩气井生产压力进行预测，以达到为后期实际生产提供参考和预警的目的。
本申请的上述实施例中，通过提供一种基于递归神经网络的页岩气定产井生产压力预测方法，首先利用自适应分段算法对页岩气生产数据进行初步分段拟合，分段剔除不完整数据以及异常数据，以保证数据的准确性；再利用斯皮尔曼相关系数分析法对生产数据进行相关性分析，从而分析不同变量因素的相关密切程度，以确定用于递归神网络建模的输入变量。最后运用Elman递归神经网络对生产压力进行建模，最终利用建立好的模型对生产压力进行预测，以达到为后期实际生产提供参考和预警的目的。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (2)

1.一种基于递归神经网络的页岩气井生产压力预测方法，如下步骤：
S1：选择对页岩气井生产有影响的控制参数构成决策变量X＝[x1,x2,···,xM]，M为所选控制参数的个数；所述控制参数包括系列油管压力Y、套管压力T、产水量W、页岩气产量P，选定页岩气工业现场，采集N组决策变量X1,X2,···,XN及其对应的N组生产数据；利用自适应分段算法对所述的生产数据进行初步分段拟合；
步骤S1中的自适应分段算法包括以下步骤：
S11：根据页岩气井历史生产数据，评价每个油管压力数据的准确度，首先将不完整的数据进行线性插值，其公式为：
Figure FDA0002909426280000011
其中yk为油管压力，xk为生产时间；
S12：将插值补充完整后的油管压力数据进行自适应初步分段拟合，分段剔除异常数据：
Figure FDA0002909426280000012
R＝kn-1-kn-2，(n＝1,2,···, N；)
其中：xn，xn-1，yn，yn-1，为相邻两点的横纵坐标；k为斜率；R为阈值；
S13：通过对页岩气生产数据的研究和结合专家实际生产经验建立异常数据判断条件，剔除异常数据；
S14：再一次对油管压力数据进行线性插值；
S2：选定相关系数分析法对N组生产数据进行相关性分析，以确定页岩气井生产数据模型的输入变量；
步骤S2中，选定斯皮尔曼相关系数分析法，以油管压力Y作为基本参考变量，分别分析页岩气产量P、产水量W、套管压力T与油管压力Y的相关性；
S3：利用递归神经网络算法，对步骤S2所得的输入变量进行建模，建立基于递归神经网络的页岩气井生产数据模型；
S4：按照步骤S3所得的基于递归神经网络的页岩气井生产数据模型对页岩气井生产压力进行预测。
2.根据权利要求1所述的基于递归神经网络的页岩气井生产压力预测方法，其特征在于，步骤S3中，以油管压力作为输出，建立基于递归神经网络的页岩气井生产数据模型，其输入层采用4个神经元节点，隐藏层采用15个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为Logsig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为2000。
CN201810329181.0A 2018-04-13 2018-04-13 基于递归神经网络的页岩气井生产压力预测方法 Active CN108595803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810329181.0A CN108595803B (zh) 2018-04-13 2018-04-13 基于递归神经网络的页岩气井生产压力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810329181.0A CN108595803B (zh) 2018-04-13 2018-04-13 基于递归神经网络的页岩气井生产压力预测方法

Publications (2)

Publication Number Publication Date
CN108595803A CN108595803A (zh) 2018-09-28
CN108595803B true CN108595803B (zh) 2021-04-23

Family

ID=63622135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810329181.0A Active CN108595803B (zh) 2018-04-13 2018-04-13 基于递归神经网络的页岩气井生产压力预测方法

Country Status (1)

Country Link
CN (1) CN108595803B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472088B (zh) * 2018-11-12 2021-02-23 中国石油化工股份有限公司 一种页岩气调产井生产压力动态预测方法
CN110147843A (zh) * 2019-05-22 2019-08-20 哈尔滨工程大学 基于度量学习的语音时序数据相似性度量方法
CN112761628B (zh) * 2021-01-25 2023-03-28 中国石油大学(北京) 基于长短期记忆神经网络的页岩气产量确定方法、装置
CN115874993A (zh) * 2023-02-21 2023-03-31 成都工业学院 一种基于人工智能的页岩气井生产控制方法、设备和系统
CN116660761B (zh) * 2023-08-02 2023-09-22 深圳市神通天下科技有限公司 一种锂离子电池检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200284A (zh) * 2014-09-01 2014-12-10 山东科技大学 矿井断层构造预测方法
CN107609671A (zh) * 2017-08-10 2018-01-19 燕山大学 一种基于综合因素评价模型的短期电力负荷预测方法
CN108416475A (zh) * 2018-03-05 2018-08-17 中国地质大学（北京） 一种页岩气产能非确定性预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200284A (zh) * 2014-09-01 2014-12-10 山东科技大学 矿井断层构造预测方法
CN107609671A (zh) * 2017-08-10 2018-01-19 燕山大学 一种基于综合因素评价模型的短期电力负荷预测方法
CN108416475A (zh) * 2018-03-05 2018-08-17 中国地质大学（北京） 一种页岩气产能非确定性预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于非线性学习理论的非常规储层基本参数测井评价;郭彦省;《中国博士学位论文全文数据库 基础科学辑》;20150415(第4期);第A011-23页 *

Also Published As

Publication number Publication date
CN108595803A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN108595803B (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN111105332B (zh) 一种基于人工神经网络的高速公路智能预养护方法及系统
CN109472088B (zh) 一种页岩气调产井生产压力动态预测方法
CN109740661B (zh) 一种基于模糊评估的油井动液面自适应预测方法
CN108875771B (zh) 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法
CN109884892B (zh) 基于交叉相关时滞灰色关联分析的流程工业系统预测模型
CN113723010B (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN111638707B (zh) 基于som聚类和mpca的间歇过程故障监测方法
CN108335487B (zh) 一种基于交通状态时序性的道路交通状态预测系统
CN111768000A (zh) 在线自适应微调深度学习的工业过程数据建模方法
CN113780420B (zh) 基于gru-gcn的变压器油中溶解气体浓度预测方法
CN113128124B (zh) 基于改进神经网络的多牌号C-Mn钢力学性能预测方法
Abdalla et al. Optimizing the multilayer feed-forward artificial neural networks architecture and training parameters using genetic algorithm
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN111639111A (zh) 面向调水工程的多源监测数据深度挖掘和智能分析方法
CN112749840A (zh) 一种火电机组能效特征指标基准值的获取方法
CN111754034A (zh) 一种基于混沌优化神经网络模型的时间序列预测方法
CN111460737B (zh) 泥水气压平衡盾构的智能沉降预测方法及系统
CN115759409A (zh) 多时间模式注意力机制优化lstm模型的水闸形变预测方法
CN114841080A (zh) 一种基于bp神经网络和sd耦合的输气管道内腐蚀预测方法
CN115618987A (zh) 生产井生产数据预测方法、装置、设备和存储介质
CN116894180A (zh) 一种基于异构图注意力网络的产品制造质量预测方法
CN117034808A (zh) 一种基于图注意力网络的天然气管网压力估计方法
CN116662925A (zh) 一种基于加权稀疏神经网络工业过程软测量方法
CN108827905B (zh) 一种基于局部加权Lasso的近红外模型在线更新方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20181203

Address after: 408000 No. 6 Hefeng Avenue, Fuling District, Chongqing

Applicant after: Sinopec Chongqing Fuling Shale Gas Exploration and Development Co., Ltd.

Address before: No. 20, East Road, University City, Chongqing, Shapingba District, Chongqing

Applicant before: Chongqing University of Science & Technology

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210118

Address after: 100027 Chaoyangmen North Street, Chaoyang District, Chaoyang District, Beijing

Applicant after: China Petroleum & Chemical Corp.

Applicant after: SINOPEC CHONGQING FULING SHALE GAS EXPLORATION AND DEVELOPMENT Co.,Ltd.

Applicant after: Chongqing University of Science & Technology

Address before: 408000 No. 6 Hefeng Avenue, Fuling District, Chongqing

Applicant before: SINOPEC CHONGQING FULING SHALE GAS EXPLORATION AND DEVELOPMENT Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Yi Jun

Inventor after: Bai Junren

Inventor after: Wu Ling

Inventor after: Wang Bo

Inventor after: Peng Jun

Inventor after: Tang Dedong

Inventor after: Wang Hongjin

Inventor after: Gu Xiaohua

Inventor after: Xia Qinfeng

Inventor after: Chen Tingting

Inventor after: Chen Ning

Inventor after: Chen Xuemei

Inventor before: Yi Jun

Inventor before: Bai Junren

Inventor before: Wu Ling

Inventor before: Wang Bo

Inventor before: Peng Jun

Inventor before: Tang Dedong

Inventor before: Wang Hongjin

Inventor before: Gu Xiaohua

Inventor before: Xia Qinfeng

Inventor before: Chen Tingting

Inventor before: Chen Ning

Inventor before: Chen Xuemei