CN109523072A - 基于lstm的油田产油量预测方法 - Google Patents
基于lstm的油田产油量预测方法 Download PDFInfo
- Publication number
- CN109523072A CN109523072A CN201811306120.9A CN201811306120A CN109523072A CN 109523072 A CN109523072 A CN 109523072A CN 201811306120 A CN201811306120 A CN 201811306120A CN 109523072 A CN109523072 A CN 109523072A
- Authority
- CN
- China
- Prior art keywords
- lstm
- variable
- oil field
- oil production
- prediction technique
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Mining & Mineral Resources (AREA)
Abstract
本发明提供一种基于LSTM的油田产油量预测方法,该基于LSTM的油田产油量预测方法包括:步骤1,采用Pearson相关性分析来衡量油田数据的线性相似度,以筛选出合适的输入变量;步骤2,对每个变量进行级差标准化处理;步骤3,采用双LSTM层的神经网络模型,进行网络训练;步骤4,将训练好的模型用于预测新井单井年产油量,根据标准化的过程,将预测变量逆向还原后与实际值对比。该基于LSTM的油田产油量预测方法预测范围广、拟合效果较好,预测精度在95%以上;能够更为准确、有效地预测油田产油量,对油田开发决策及生产投资具有重要意义。
Description
技术领域
本发明涉及油田开发技术领域,特别是涉及到一种基于LSTM的油田产油量预测方法。
背景技术
油田产油量预测,目前有很多方法。如,Levenberg-Marquardt算法、LS-SVM-GA算法、主成分分析和最小二乘支持向量机和多元混沌时间序列等,都已经被应用到实际的预测当中,但这些方法一般都没有考虑工作量也就是新井开井数和措施总井数对新井单井年产油和措施单井次年增油的影响。而实际中,新井或措施井的工作量也会对产油效果产生影响,在规划期内,随着工作量的增加,井网密度也不断增加,单井的产油或增油效果往往也会随之下降。所以,在对新井单井年产油和措施单井次年增油进行预测时,需要考虑工作量的影响,而总产油量与新井开井数或者措施总井数之间,存在的并非是线性关系,而是一种复杂的非线性关系。面对复杂的非线性和动态关系,传统建模和指标预测方法存在预测范围有限、预测精度不高、对样本数据拟合程度低等局限性。
为此我们发明了一种新的基于长短期记忆LSTM的油田产油量预测方法,解决了以上技术问题。
发明内容
本发明的目的是提供一种可以对油田产油量进行多元时间序列预测的基于LSTM的油田产油量预测方法。
本发明的目的可通过如下技术措施来实现:基于LSTM的油田产油量预测方法,该基于LSTM的油田产油量预测方法包括:步骤1,采用Pearson相关性分析来衡量油田数据的线性相似度,以筛选出合适的输入变量;步骤2,对每个变量进行级差标准化处理;步骤3,采用双LSTM层的神经网络模型,进行网络训练;步骤4,将训练好的模型用于预测新井单井年产油量,根据标准化的过程,将预测变量逆向还原后与实际值对比。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,Pearson相关系数的绝对值越接近1,两个变量之间的相关程度越高;Pearson相关系数越接近0,两个变量之间的相关程度越弱。
在步骤1中,采用Pearson相关性分析筛选出两个合适的输入变量X、Y;变量X、Y的Pearson相关系数r计算公式如下:
其中xi、yi分别为变量X、Y的第i个样本点,N为样本数量。
在步骤2中,为了消除各个变量之间的不同量纲并加快模型训练速度,对每个变量进行级差标准化处理,映射到(0,1)区间,最终进入模型的数据被重塑为样本数目、时间步长、特征数目的三维数据。
在步骤2中,对每个变量进行级差标准化处理,映射到(0,1)区间的公式为:
其中xij为第i个样本第j个变量的值,N为样本数量。
在步骤3中,采用双LSTM层的神经网络模型,激活函数采用ReLU激活函数,损失函数采用均方误差函数,优化器为Adam优化算法,采用Dropout方法防止过拟合。
在步骤3中,采用双LSTM层的神经网络模型,其中第一层有72个神经元,第二层有50个神经元,每次训练的轮次为230;采取的Dropout比例为0.1,进行30次重复实验,将得到的结果取平均值;利用模型训练得到拟合值和实际值的平均相对误差来衡量模型的拟合效果,得到30次训练的平均相对误差均值。
在步骤4中,将训练好的模型应用于预测某一年新井单井年产油量,根据标准化的过程,将预测变量逆向还原后与实际值对比,验证该方法对油田产量预测的精度。
本发明中的基于LSTM的油田产油量预测方法,依据循环神经网络与LSTM神经网络的原理,针对油田产油量时间序列与众多影响因素序列之间的动态关系,选取胜利油区某油田的数据进行了仿真实验。随后利用Pear son相关性分析对网络输入变量进行了筛选,设计网络结构及确定参数,将数据归一化并重塑后放入模型中,结果表明LSTM模型预测精度较高、适应性较强。改变了传统建模方法存在预测范围有限、预测精度不高、对样本数据拟合程度低等局限性,可以作为一种新的方法用于预测油田产油量。该方法的预测范围广、拟合效果较好,预测精度在95%以上;能够更为准确、有效地预测油田产油量,对油田开发决策及生产投资具有重要意义。
附图说明
图1为本发明的基于LSTM的油田产油量预测方法的一具体实施例的流程图;
图2为本发明的一具体实施例中的损失函数下降过程关系图;
图3为本发明的一具体实施例中的新井单井年产油实际值与拟合值对比图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂,下文特举出较佳实施例,并配合附图所示,作详细说明如下。
如图1所示,图1为本发明的基于LSTM的油田产油量预测方法的流程图。
步骤101,输入变量筛选。采用Pearson(皮尔逊相关性分析)相关性分析来衡量油田数据的线性相似度,以筛选出合适的输入变量。Pear son相关系数的绝对值越接近1,两个变量之间的相关程度越高;Pearson相关系数越接近0,两个变量之间的相关程度越弱。
步骤103,输入数据预处理。为了消除各个变量之间的不同量纲并加快模型训练速度,对每个变量进行级差标准化处理,映射到(0,1)区间,最终进入模型的数据被重塑为样本数目、时间步长、特征数目的三维数据。
步骤105,网络训练。采用双LSTM层的神经网络模型,激活函数采用ReLU(线性整流函数)激活函数,损失函数采用均方误差函数,优化器为Adam(自适应矩估计优化算法)优化算法,采用Dropout(丢弃正则化)方法防止过拟合。由于训练时网络初始权重的设定、随机梯度下降法求解最优权重等过程存在随机性,因此重复实验30次,得到结果的平均值。
步骤107,网络预测。将训练好的模型用于预测新井单井年产油量,根据标准化的过程,将预测变量逆向还原后与实际值对比,验证该方法对油田产量预测的精度。
在应用本发明的一具体实施例中,选取某油田1986-2016年新井相关年度数据作为样本进行预测。其中1986-2013年的数据作为训练集用于拟合模型,2014-2015年的数据作为验证集用于确定网络结构和模型参数,2016年的数据作为测试集用于评价模型性能。模型的目标变量是新井单井年产油量,特征变量主要包括反映开发阶段的综合含水率和新井含水率,反映地层供液能力的动液面和日液能力、反映能量补充状况的年注水量、反映开发投入的新井井数等。
步骤1,对输入变量筛选。采用Pearson相关性分析筛选出两个合适的输入变量X、Y。变量X、Y的Pearson相关系数r计算公式如下:
其中xi、yi分别为变量X、Y的第i个样本点,N为样本数量。
变量相关性分析的结果及所选输入变量如表1所示:
表1油田开发指标的相关性分析
可见,由于单井日注能力、新井井数和新井含水之间相关性不算太高,因此选择这几个特征作为模型的输入变量较为合适。
步骤2,对输入数据进行预处理。对每个变量进行级差标准化处理,映射到(0,1)区间,公式为:
其中xij为第i个样本第j个变量的值,N为样本数量。
实际操作时,在变量进入模型之前,需要指定时间步长并对数据进行重塑。时间步长为1意味着t-1时点的输入特征会作为预测t时点目标变量的输入,时间步长为2意味着t-2和t-1时点的输入特征会作为预测t时点目标变量的输入,以此类推。通过多次试探,本发明采用的时间步长为2,可以得到较好的预测效果。
步骤3,进行网络训练。采用双LSTM层的神经网络模型,其中第一层有72个神经元,第二层有50个神经元,每次训练的轮次为230。采取的Dropout比例为0.1,进行30次重复实验,将得到的结果取平均值。其中一次训练中的损失函数下降过程以及产油量实际值和拟合值的对比结果如图2、如图3所示。
利用模型训练得到拟合值和实际值的平均相对误差来衡量模型的拟合效果,可以得到30次训练的平均相对误差均值为8.16%。
步骤4,进行网络预测。将训练好的模型用于预测2016年新井单井年产油量,最后得到2016年新井单井年产油量平均预测误差为2.75%,说明应用LSTM循环神经网络对油田新井单井产油量的预测精度较高。LSTM模型对新井单井年产油的预测效果如表2所示。
表2 LSTM模型预测效果
Claims (8)
1.基于LSTM的油田产油量预测方法,其特征在于,该基于LSTM的油田产油量预测方法包括:
步骤1,采用Pearson相关性分析来衡量油田数据的线性相似度,以筛选出合适的输入变量;
步骤2,对每个变量进行级差标准化处理;
步骤3,采用双LSTM层的神经网络模型,进行网络训练;
步骤4,将训练好的模型用于预测新井单井年产油量,根据标准化的过程,将预测变量逆向还原后与实际值对比。
2.根据权利要求1所述的基于LSTM的油田产油量预测方法,其特征在于,在步骤1中,Pearson相关系数的绝对值越接近1,两个变量之间的相关程度越高;Pearson相关系数越接近0,两个变量之间的相关程度越弱。
3.根据权利要求1所述的基于LSTM的油田产油量预测方法,其特征在于,在步骤1中,采用Pearson相关性分析筛选出两个合适的输入变量X、Y;变量X、Y的Pearson相关系数r计算公式如下:
其中xi、yi分别为变量X、Y的第i个样本点,N为样本数量。
4.根据权利要求1所述的基于LSTM的油田产油量预测方法,其特征在于,在步骤2中,为了消除各个变量之间的不同量纲并加快模型训练速度,对每个变量进行级差标准化处理,映射到(0,1)区间,最终进入模型的数据被重塑为样本数目、时间步长、特征数目的三维数据。
5.根据权利要求4所述的基于LSTM的油田产油量预测方法,其特征在于,在步骤2中,对每个变量进行级差标准化处理,映射到(0,1)区间的公式为:
其中xij为第i个样本第j个变量的值,N为样本数量。
6.根据权利要求1所述的基于LSTM的油田产油量预测方法,其特征在于,在步骤3中,采用双LSTM层的神经网络模型,激活函数采用ReLU激活函数,损失函数采用均方误差函数,优化器为Adam优化算法,采用Dropout方法防止过拟合。
7.根据权利要求6所述的基于LSTM的油田产油量预测方法,其特征在于,在步骤3中,采用双LSTM层的神经网络模型,其中第一层有72个神经元,第二层有50个神经元,每次训练的轮次为230;采取的Dropout比例为0.1,进行30次重复实验,将得到的结果取平均值;利用模型训练得到拟合值和实际值的平均相对误差来衡量模型的拟合效果,得到30次训练的平均相对误差均值。
8.根据权利要求1所述的基于LSTM的油田产油量预测方法,其特征在于,在步骤4中,将训练好的模型应用于预测新井单井年产油量,根据标准化的过程,将预测变量逆向还原后与实际值对比,验证该方法对油田产量预测的精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811306120.9A CN109523072A (zh) | 2018-11-02 | 2018-11-02 | 基于lstm的油田产油量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811306120.9A CN109523072A (zh) | 2018-11-02 | 2018-11-02 | 基于lstm的油田产油量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109523072A true CN109523072A (zh) | 2019-03-26 |
Family
ID=65774413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811306120.9A Pending CN109523072A (zh) | 2018-11-02 | 2018-11-02 | 基于lstm的油田产油量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523072A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110630244A (zh) * | 2019-07-09 | 2019-12-31 | 东营智图数据科技有限公司 | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测系统及方法 |
CN111582560A (zh) * | 2020-04-22 | 2020-08-25 | 空间信息产业发展股份有限公司 | 一种基于循环神经网络的水稻产量预测方法 |
CN111985610A (zh) * | 2020-07-15 | 2020-11-24 | 中国石油大学(北京) | 一种基于时序数据的抽油机井泵效预测系统和方法 |
CN112360411A (zh) * | 2020-11-30 | 2021-02-12 | 河海大学 | 基于图神经网络的局部井网注水开发优化方法 |
CN112765880A (zh) * | 2021-01-13 | 2021-05-07 | 西南石油大学 | 一种基于Bi-LSTM监测地层饱和盐水浸入量的方法 |
CN112926771A (zh) * | 2021-02-22 | 2021-06-08 | 中国石油大学(华东) | 一种基于改进的时空图卷积网络产油量预测方法及系统 |
CN113236228A (zh) * | 2021-06-24 | 2021-08-10 | 中海石油(中国)有限公司 | 一种单井产量快速预测方法及系统 |
CN113537592A (zh) * | 2021-07-15 | 2021-10-22 | 中国石油大学(北京) | 基于长短时记忆网络的油气藏产量预测方法及装置 |
CN113610446A (zh) * | 2021-09-29 | 2021-11-05 | 中国石油大学(华东) | 一种复杂分散断块油田群投产顺序的决策方法 |
CN113836819A (zh) * | 2021-10-14 | 2021-12-24 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
CN115726776A (zh) * | 2022-11-24 | 2023-03-03 | 西南石油大学 | 一种非常规油气藏经验产量递减模型优选方法 |
CN116451877A (zh) * | 2023-06-16 | 2023-07-18 | 中国石油大学(华东) | 一种基于可计算语义网络的管网停开井产量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016389A1 (en) * | 2005-06-24 | 2007-01-18 | Cetin Ozgen | Method and system for accelerating and improving the history matching of a reservoir simulation model |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN104951842A (zh) * | 2014-03-27 | 2015-09-30 | 中国石油化工股份有限公司 | 一种新的油田产量预测方法 |
CN107590550A (zh) * | 2017-07-26 | 2018-01-16 | 长江大学 | 有关超低渗透储层油田产能评价及预测的方法 |
-
2018
- 2018-11-02 CN CN201811306120.9A patent/CN109523072A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070016389A1 (en) * | 2005-06-24 | 2007-01-18 | Cetin Ozgen | Method and system for accelerating and improving the history matching of a reservoir simulation model |
CN104951842A (zh) * | 2014-03-27 | 2015-09-30 | 中国石油化工股份有限公司 | 一种新的油田产量预测方法 |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN107590550A (zh) * | 2017-07-26 | 2018-01-16 | 长江大学 | 有关超低渗透储层油田产能评价及预测的方法 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110630244A (zh) * | 2019-07-09 | 2019-12-31 | 东营智图数据科技有限公司 | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测系统及方法 |
CN110630244B (zh) * | 2019-07-09 | 2022-12-02 | 东营智图数据科技有限公司 | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测系统及方法 |
CN111582560A (zh) * | 2020-04-22 | 2020-08-25 | 空间信息产业发展股份有限公司 | 一种基于循环神经网络的水稻产量预测方法 |
CN111582560B (zh) * | 2020-04-22 | 2023-05-23 | 空间信息产业发展股份有限公司 | 一种基于循环神经网络的水稻产量预测方法 |
CN111985610A (zh) * | 2020-07-15 | 2020-11-24 | 中国石油大学(北京) | 一种基于时序数据的抽油机井泵效预测系统和方法 |
CN111985610B (zh) * | 2020-07-15 | 2024-05-07 | 中国石油大学(北京) | 一种基于时序数据的抽油机井泵效预测系统和方法 |
CN112360411A (zh) * | 2020-11-30 | 2021-02-12 | 河海大学 | 基于图神经网络的局部井网注水开发优化方法 |
CN112765880A (zh) * | 2021-01-13 | 2021-05-07 | 西南石油大学 | 一种基于Bi-LSTM监测地层饱和盐水浸入量的方法 |
CN112765880B (zh) * | 2021-01-13 | 2022-03-25 | 西南石油大学 | 一种基于Bi-LSTM监测地层饱和盐水侵入量的方法 |
CN112926771A (zh) * | 2021-02-22 | 2021-06-08 | 中国石油大学(华东) | 一种基于改进的时空图卷积网络产油量预测方法及系统 |
CN113236228A (zh) * | 2021-06-24 | 2021-08-10 | 中海石油(中国)有限公司 | 一种单井产量快速预测方法及系统 |
CN113537592A (zh) * | 2021-07-15 | 2021-10-22 | 中国石油大学(北京) | 基于长短时记忆网络的油气藏产量预测方法及装置 |
CN113537592B (zh) * | 2021-07-15 | 2023-09-15 | 中国石油大学(北京) | 基于长短时记忆网络的油气藏产量预测方法及装置 |
CN113610446B (zh) * | 2021-09-29 | 2021-12-21 | 中国石油大学(华东) | 一种复杂分散断块油田群投产顺序的决策方法 |
CN113610446A (zh) * | 2021-09-29 | 2021-11-05 | 中国石油大学(华东) | 一种复杂分散断块油田群投产顺序的决策方法 |
CN113836819A (zh) * | 2021-10-14 | 2021-12-24 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
CN113836819B (zh) * | 2021-10-14 | 2024-04-09 | 华北电力大学 | 一种基于时序关注的床温预测方法 |
CN115726776A (zh) * | 2022-11-24 | 2023-03-03 | 西南石油大学 | 一种非常规油气藏经验产量递减模型优选方法 |
CN116451877B (zh) * | 2023-06-16 | 2023-09-01 | 中国石油大学(华东) | 一种基于可计算语义网络的管网停开井产量预测方法 |
CN116451877A (zh) * | 2023-06-16 | 2023-07-18 | 中国石油大学(华东) | 一种基于可计算语义网络的管网停开井产量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523072A (zh) | 基于lstm的油田产油量预测方法 | |
CN109447532B (zh) | 一种基于数据驱动的油藏井间连通性确定方法 | |
CN109948841B (zh) | 一种基于深度学习的水驱开发油田剩余油分布的预测方法 | |
US10055684B2 (en) | System and method for using an artificial neural network to simulate pipe hydraulics in a reservoir simulator | |
CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
CN104034794B (zh) | 一种基于极限学习机的管道漏磁缺陷检测方法 | |
CN104732303A (zh) | 一种基于动态径向基函数神经网络的油田产量预测方法 | |
Jeirani et al. | Estimating the initial pressure, permeability and skin factor of oil reservoirs using artificial neural networks | |
CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
Zolotukhin et al. | Machine learning in reservoir permeability prediction and modelling of fluid flow in porous media | |
CN106991245A (zh) | 基于灰色关联分析识别储层流体性质的方法 | |
CN110288233A (zh) | 一种基于模糊灰色关联法的深层页岩气可压性评价方法 | |
CN115438584A (zh) | 一种基于深度学习的翼型气动力预测方法 | |
Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
Kim et al. | The development of an AI-based model to predict the location and amount of wax in oil pipelines | |
CN114676733A (zh) | 一种基于稀疏自编码辅助分类生成式对抗网络的复杂供输机构故障诊断方法 | |
CN110486009A (zh) | 一种无限大地层的参数自动反求方法及系统 | |
CN109490793A (zh) | 一种基于小波分解和lstm的x射线高压电源故障预测方法 | |
Shi et al. | Artificial lift methods optimising and selecting based on big data analysis technology | |
Samba et al. | Evaluates A PVT Correlation to Estimate Dead Oil Viscosity for Libyan Crudes Using 104 Samples from Different Reservoirs | |
Zhang et al. | Research on oil well production prediction based on radial basis function network | |
CN116484234B (zh) | 一种基于机器学习算法的裂缝相似度判断方法 | |
Fu et al. | Neural Network Production Split Model Based on Kriging Interpolation Method and Grey Correlation Analysis Method | |
CN115906591B (zh) | 一种基于XGBoost网络的油井动液面计算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |