CN115099129B - 一种基于输入特征误差修正的天然气井产量预测方法 - Google Patents
一种基于输入特征误差修正的天然气井产量预测方法 Download PDFInfo
- Publication number
- CN115099129B CN115099129B CN202210614616.2A CN202210614616A CN115099129B CN 115099129 B CN115099129 B CN 115099129B CN 202210614616 A CN202210614616 A CN 202210614616A CN 115099129 B CN115099129 B CN 115099129B
- Authority
- CN
- China
- Prior art keywords
- wellhead
- pressure
- temperature
- predicted value
- neural network
- 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
Links
- 239000002343 natural gas well Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012937 correction Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 66
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 20
- 239000003129 oil well Substances 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 210000002364 input neuron Anatomy 0.000 claims description 16
- 210000004205 output neuron Anatomy 0.000 claims description 16
- 239000007789 gas Substances 0.000 claims description 9
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于输入特征误差修正的天然气井产量预测方法，包括以下步骤：S1.建立LSTM神经网络模型A并训练得到井口压力预测值；建立LSTM神经网络模型B并训练得到井口温度预测值；S2.将井口压力的实际值与井口压力预测值做差得到压力误差集，将压力误差集作为测试集，建立LSTM神经网络模型C并训练得到井口压力误差预测值；将井口温度的实际值与井口温度预测值做差得到温度误差集，将温度误差集作为测试集，建立LSTM神经网络模型D并训练得到井口温度误差预测值；S3.将井口压力预测值与井口压力误差预测值相加后得到修正压力，将井口温度预测值与井口温度误差预测值相加后得到修正温度；S4.将修正压力和修正温度带入机理模型，得到修正后的油井流量。
Description
技术领域
本发明属于油井虚拟计量领域，特别是涉及一种基于输入特征误差修正的天然气井产量预测方法。
背景技术
单井油气产量计量是油气生产管理的重要环节，虚拟计量技术可以高效且经济的完成流量监控和预测工作。通常虚拟计量是根据流体性质模型、水力-热力模型、生产系统模型等物理模型建立的机理模型，没有实现对传感器采集数据的深入挖掘与利用。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种基于输入特征误差修正的天然气井产量预测方法，耦合了机理模型的流量计算结果和传感器采集到的压力温度数据，采用LSTM神经网络对井口压力和井口温度的误差进行修正，进而修正机理模型的流量计算结果，为虚拟计量技术提供精度保障。
本发明的目的是通过以下技术方案实现的：
一种基于输入特征误差修正的天然气井产量预测方法，包括以下步骤：
S1.建立LSTM神经网络模型A，将天然气井采集所得跨接管温度、跨接管压力、井口温度、油嘴后温度、油嘴后压力作为输入神经元，将天然气井采集所得井口压力的实际值作为输出神经元，对LSTM神经网络模型A训练后得到井口压力预测值；
建立LSTM神经网络模型B，将天然气井采集所得跨接管温度、跨接管压力、井口压力、油嘴后温度、油嘴后压力作为输入神经元，将天然气井采集所得井口温度的实际值作为输出神经元，对LSTM神经网络模型B训练后得到井口温度预测值；
S2.将井口压力的实际值与井口压力预测值做差得到压力误差集，将压力误差集作为测试集，以天然气井采集所得跨接管温度、跨接管压力、井口温度、井口压力、油嘴后温度、油嘴后压力、机理模型计算流量7个参数作为输入神经元，以压力误差集作为输出神经元，建立LSTM神经网络模型C；对LSTM神经网络模型C训练后输出井口压力误差预测值；
将井口温度的实际值与井口温度预测值做差得到温度误差集，将温度误差集作为测试集，以天然气井采集所得跨接管温度、跨接管压力、井口温度、井口压力、油嘴后温度、油嘴后压力、机理模型计算流量7个参数作为输入神经元，以温度误差集作为输出神经元，建立LSTM神经网络模型D；对LSTM神经网络模型D训练后输出井口温度误差预测值；
S3.将井口压力预测值与井口压力误差预测值相加后得到修正压力，将井口温度预测值与井口温度误差预测值相加后得到修正温度；
S4.将修正压力和修正温度带入机理模型，重新计算得到经过输入特征误差修正后的油井流量。
进一步的，本发明还提供一种基于输入特征误差修正的天然气井产量预测装置，包括：
采集模块，用于采集天然气井的跨接管温度、跨接管压力、井口温度、油嘴后温度、油嘴后压力、井口压力；
输入模块，用于输入各个LSTM神经网络模型所需的数据；
输出模块，包括四个分别用于得到井口压力预测值、井口温度预测值、井口压力误差预测值和井口温度误差预测值的LSTM神经网络模型，用于计算得到经过输入特征误差修正后的油井流量。
进一步的，本发明还提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器和收发器；
所述处理器，所述存储器及所述收发器之间电路互连；
所述存储器存储计算机执行指令；所述收发器用于收发数据；
所述处理器执行所述存储器存储的计算机执行指令，以实现所述天然气井产量预测方法的步骤。
进一步的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现所述天然气井产量预测方法的步骤。
进一步的，本发明还提供一种计算机程序产品，包括计算机执行指令，该计算机执行指令被处理器执行时实现所述天然气井产量预测方法的步骤。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明中综合了机理模型计算的流量和传感器采集的天然气井跨接管温度、跨接管压力、井口温度、井口压力、油嘴后温度、油嘴后压力数据，建立四个LSTM神经网络模型，修正了机理模型所使用的井口压力、井口温度两个特征的误差，进而使用机理模型计算修正后的流量值，使流量的计算结果更准确。结果表明，本发明中LSTM神经网络模型和机理模型耦合的流量预测方法可以显著提高机理模型的流量计算精度，有效的实现智能预测，安全生产。
附图说明
图1a是本发明方法的步骤流程示意图；图1b是本发明具体实施例中具体流程框架图。
图2a是LSTM神经网络模型A得到的井口压力，图2b是LSTM神经网络模型B得到的井口温度。
图3a是LSTM神经网络模型C得到的压力误差预测结果；图3b是LSTM神经网络模型D得到的温度误差预测结果。
图4a是LSTM神经网络模型A预测得到的井口压力和LSTM神经网络模型C预测得到的压力误差相加得到的修正后的井口压力；图4b是LSTM神经网络模型B预测得到的井口温度和LSTM神经网络模型D预测得到的温度误差相加得到的修正后的井口温度示意图。
图5是将修正后的井口压力和井口温度重新带入机理模型计算所得流量与机理模型初始计算流量的对比。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明以南海某气田一口已经投入生产的井为实例加以进一步说明，并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1a和图1b所示，本实施例以南海某气田一口已经投入生产的井流量的预测为例。提供一种基于输入特征误差修正的天然气井产量预测方法，包括以下步骤：
虚拟计量系统(VMS)是目前该气田单井流量预测所采用的方法。但是该虚拟计量系统是根据流体性质模型、水力-热力模型、生产系统模型等物理模型建立的机理模型，没有实现对传感器采集数据的深入挖掘与利用，导致流量预测结果仍有一定误差，因此融合机理模型与数据模型协同描述研究对象的物理特性，建立高保真的混合模型尤为重要。关于机理模型，参考文献“王珏,李清平,王凯,姚海元.水下油气田虚拟计量技术应用[J].舰船科学技术,2013,35(09):118-122.”；关于LSTM神经网络模型，参考文献“王薪凯,于忠清.基于LSTM神经网络模型的泵站能耗预测[J].青岛大学学报(自然科学版),2022,35(01):11-18”.均有详尽描述。
步骤S1.首先对天然气井采集所得的数据赋予标签：包括跨接管压力P1、跨接管温度T1、井口压力P2、井口温度T2、油嘴后压力P3、油嘴后温度T3、机理模型计算流量q。
建立LSTM神经网络模型A来预测井口压力：其中输入层为1层，将跨接管压力P1、跨接管温度T1、井口温度T2、油嘴后压力P3、油嘴后温度T3作为输入神经元；输出层为1层，将井口压力P2作为输出神经元。隐藏层数目设为1层，隐藏层神经元设为128个，训练次数epoches设为100，学习率设为0.01，选择tanh函数作为激活函数。LSTM神经网络模型A经过训练后输出井口压力预测值P2’。图2a是本实施例中LSTM神经网络模型A得到的井口压力预测值与井口压力真实值的结果图。
建立LSTM神经网络模型B来预测井口温度：其中输入层为1层，将跨接管压力P1、跨接管温度T1、井口压力P2、油嘴后压力P3、油嘴后温度T3作为输入神经元；输出层为1层，将井口温度T2作为输出神经元。隐藏层数目设为1层，隐藏层神经元设为128个，训练次数epoches设为100，学习率设为0.01，选择tanh函数作为激活函数。LSTM神经网络模型B经过训练后输出井口温度预测值T2’。图2b是本实施例中LSTM神经网络模型B得到的井口温度预测值与井口温度真实值的结果图。
步骤S2.将井口压力的实际值P2与LSTM神经网络模型A的井口压力预测值P2’作差得到井口压力误差集△P2；将井口温度的实际值T2与LSTM神经网络模型B的井口温度预测值T2’作差得到井口温度误差集△T2。
建立LSTM神经网络模型C来预测井口压力误差：其中输入层为1层，将跨接管压力P1、跨接管温度T1、井口压力P2、井口温度T2、油嘴后压力P3、油嘴后温度T3、机理模型计算流量q作为输入神经元；输出层为1层，将井口压力误差集△P2作为输出神经元。隐藏层数目设为1层，隐藏层神经元设为256个，训练次数epoches设为150，学习率设为0.01，选择tanh函数作为激活函数。LSTM神经网络模型C经过训练后输出井口压力误差预测值△P2’。图3a是本实施例中LSTM神经网络模型C得到的压力误差预测结果图；
建立LSTM神经网络模型D来预测井口温度误差：其中输入层为1层，将跨接管压力P1、跨接管温度T1、井口压力P2、井口温度T2、油嘴后压力P3、油嘴后温度T3、机理模型计算流量q作为输入神经元；输出层为1层，将井口温度误差集△T2作为输出神经元。隐藏层数目设为1层，隐藏层神经元设为256个，训练次数epoches设为150，学习率设为0.01，选择tanh函数作为激活函数。LSTM神经网络模型D经过训练后输出井口温度误差预测值△T2’。图3b是本实施例中LSTM神经网络模型D得到的温度误差预测结果。
步骤S3.将步骤S1中LSTM神经网络模型A得到的井口压力预测值P2’与步骤S2中LSTM神经网络模型C得到的井口压力误差预测值△P2’相加，得到井口压力修正值P2*；将步骤S1中LSTM神经网络模型B得到的井口温度预测值T2’与步骤2中LSTM神经网络模型D得到的井口温度误差预测值△T2’相加，得到井口温度修正值T2*。图4a是LSTM神经网络模型A预测得到的井口压力和LSTM神经网络模型C预测得到的压力误差相加得到的修正后的井口压力结果图；图4b是LSTM神经网络模型B预测得到的井口温度和LSTM神经网络模型D预测得到的温度误差相加得到的修正后的井口温度结果图。
步骤S4.将井口压力修正值P2*和井口温度修正值T2*带入机理模型，重新计算得到经过输入特征误差修正后的油井流量q*。图5是将修正后的井口压力和井口温度重新带入机理模型计算所得流量与机理模型初始计算流量的对比。可见本发明方法可以显著提高机理模型的流量计算精度，有效的实现智能预测，安全生产。
实施例2
本申请实施例提供的天然气井产量预测装置可以执行天然气井产量预测方法实施例提供的处理流程。该天然气井产量预测装置包括：采集模块、输入模块和输出模块。
采集模块，用于采集天然气井的跨接管温度、跨接管压力、井口温度、油嘴后温度、油嘴后压力、井口压力；
输入模块，用于输入各个LSTM神经网络模型所需的数据；
计算模块，包括四个分别用于得到井口压力预测值、井口温度预测值、井口压力误差预测值和井口温度误差预测值的LSTM神经网络模型；用于计算得到经过输入特征误差修正后的油井流量。
本申请实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例，具体功能此处不再赘述。
可选地，计算模块具体用于：将跨接管压力P1、跨接管温度T1、井口温度T2、油嘴后压力P3、油嘴后温度T3作为输入神经元；将井口压力P2作为输出神经元；对LSTM神经网络模型A经过训练后输出井口压力预测值P2’。
将跨接管压力P1、跨接管温度T1、井口压力P2、油嘴后压力P3、油嘴后温度T3作为输入神经元；将井口温度T2作为输出神经元；对LSTM神经网络模型B经过训练后输出井口温度预测值T2’。
将跨接管压力P1、跨接管温度T1、井口压力P2、井口温度T2、油嘴后压力P3、油嘴后温度T3、机理模型计算流量q作为输入神经元；将井口压力误差集△P2作为输出神经元；对LSTM神经网络模型C训练后输出井口压力误差预测值△P2’；
将跨接管压力P1、跨接管温度T1、井口压力P2、井口温度T2、油嘴后压力P3、油嘴后温度T3、机理模型计算流量q作为输入神经元；将井口温度误差集△T2作为输出神经元；对LSTM神经网络模型D训练后输出井口温度误差预测值△T2’。
将井口压力预测值P2’与井口压力误差预测值△P2’相加得到井口压力修正值P2*；将井口温度预测值T2’与井口温度误差预测值△T2’相加得到井口温度修正值T2*。
将井口压力修正值P2*和井口温度修正值T2*带入机理模型，计算得到经过输入特征误差修正后的油井流量q*。
可选地，天然气井产量预测装置，还包括处理模块；处理模块用于：对各个特征数据进行数据预处理；数据预处理包括以下处理任意一种或多种：缺失值的检测及填充、异常值检测及处理、数据归一化。
本申请实施例提供的装置可以具体用于执行上述方法实施例，具体功能此处不再赘述。
实施例3
本申请实施例3提供有电子设备包括：处理器、存储器、收发器、以及存储在存储器上并可在处理器上运行的计算机执行指令。
其中，处理器，存储器及收发器之间电路互连；收发器用于收发数据；处理器运行计算机执行指令时实现上述方法实施例提供的天然气井产量预测方法。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时实现上述实施例提供的天然气井产量预测方法。
本申请实施例还提供了一种计算机程序产品，程序产品包括：计算机执行指令，计算机执行指令存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机执行指令，至少一个处理器执行计算机执行指令使得电子设备执行上述实施例提供的天然气井产量预测方法。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上对本发明做了示例性的描述，应该说的是，在不脱离本发明的核心情况下，任何简单的变形、修改或者其他领域的技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。
Claims (5)
1.一种基于输入特征误差修正的天然气井产量预测方法，其特征在于，包括以下步骤：
S1.建立LSTM神经网络模型A，将天然气井采集所得跨接管温度、跨接管压力、井口温度、油嘴后温度、油嘴后压力作为输入神经元，将天然气井采集所得井口压力的实际值作为输出神经元，对LSTM神经网络模型A训练后得到井口压力预测值；
建立LSTM神经网络模型B，将天然气井采集所得跨接管温度、跨接管压力、井口压力、油嘴后温度、油嘴后压力作为输入神经元，将天然气井采集所得井口温度的实际值作为输出神经元，对LSTM神经网络模型B训练后得到井口温度预测值；
S2.将井口压力的实际值与井口压力预测值做差得到压力误差集，将压力误差集作为测试集，以天然气井采集所得跨接管温度、跨接管压力、井口温度、井口压力、油嘴后温度、油嘴后压力、机理模型计算流量7个参数作为输入神经元，以压力误差集作为输出神经元，建立LSTM神经网络模型C；对LSTM神经网络模型C训练后输出井口压力误差预测值；
将井口温度的实际值与井口温度预测值做差得到温度误差集，将温度误差集作为测试集，以天然气井采集所得跨接管温度、跨接管压力、井口温度、井口压力、油嘴后温度、油嘴后压力、机理模型计算流量7个参数作为输入神经元，以温度误差集作为输出神经元，建立LSTM神经网络模型D；对LSTM神经网络模型D训练后输出井口温度误差预测值；
S3.将井口压力预测值与井口压力误差预测值相加后得到修正压力，将井口温度预测值与井口温度误差预测值相加后得到修正温度；
S4.将修正压力和修正温度带入机理模型，重新计算得到经过输入特征误差修正后的油井流量。
2.一种基于输入特征误差修正且用于实现权利要求1所述天然气井产量预测方法的天然气井产量预测装置，其特征在于，包括：
采集模块，用于采集天然气井的跨接管温度、跨接管压力、井口温度、油嘴后温度、油嘴后压力、井口压力；
输入模块，用于输入各个LSTM神经网络模型所需的数据；
输出模块，包括四个分别用于得到井口压力预测值、井口温度预测值、井口压力误差预测值和井口温度误差预测值的LSTM神经网络模型，用于计算得到经过输入特征误差修正后的油井流量。
3.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器和收发器；
所述处理器，所述存储器及所述收发器之间电路互连；
所述存储器存储计算机执行指令；所述收发器用于收发数据；
所述处理器执行所述存储器存储的计算机执行指令，以实现权利要求1中所述天然气井产量预测方法的步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现权利要求1所述天然气井产量预测方法的步骤。
5.一种计算机程序产品，其特征在于，包括计算机执行指令，该计算机执行指令被处理器执行时实现权利要求1所述天然气井产量预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210614616.2A CN115099129B (zh) | 2022-05-31 | 2022-05-31 | 一种基于输入特征误差修正的天然气井产量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210614616.2A CN115099129B (zh) | 2022-05-31 | 2022-05-31 | 一种基于输入特征误差修正的天然气井产量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115099129A CN115099129A (zh) | 2022-09-23 |
| CN115099129B true CN115099129B (zh) | 2024-04-16 |
Family
ID=83289699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210614616.2A Active CN115099129B (zh) | 2022-05-31 | 2022-05-31 | 一种基于输入特征误差修正的天然气井产量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115099129B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077544B (zh) * | 2023-10-13 | 2024-01-05 | 北京宝隆泓瑞科技有限公司 | 一种油气分离器出口压力预测方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109215743A (zh) * | 2018-09-04 | 2019-01-15 | 南京工业大学 | 一种基于新型bp神经网络建模的沼气生产过程的预测方法 |
| CN113807615A (zh) * | 2021-10-14 | 2021-12-17 | 北京嘉洁能科技股份有限公司 | 基于bp神经网络的电供暖能耗预测方法和预测系统 |
| CN114298091A (zh) * | 2021-12-13 | 2022-04-08 | 国网湖北省电力有限公司电力科学研究院 | Sf6气体流量计量值修正方法、装置、设备及存储介质 |
| WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
| CN114398817A (zh) * | 2021-08-31 | 2022-04-26 | 中国石油大学(北京) | 天然气井筒生产运行工况动态估计方法及装置 |
-
2022
- 2022-05-31 CN CN202210614616.2A patent/CN115099129B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109215743A (zh) * | 2018-09-04 | 2019-01-15 | 南京工业大学 | 一种基于新型bp神经网络建模的沼气生产过程的预测方法 |
| WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
| CN114398817A (zh) * | 2021-08-31 | 2022-04-26 | 中国石油大学(北京) | 天然气井筒生产运行工况动态估计方法及装置 |
| CN113807615A (zh) * | 2021-10-14 | 2021-12-17 | 北京嘉洁能科技股份有限公司 | 基于bp神经网络的电供暖能耗预测方法和预测系统 |
| CN114298091A (zh) * | 2021-12-13 | 2022-04-08 | 国网湖北省电力有限公司电力科学研究院 | Sf6气体流量计量值修正方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于人工神经网络的天然气井产量计算方法研究;宋尚飞;洪炳沅;史博会;吴海浩;康琦;王智;宫敬;;石油科学通报;20170915(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115099129A (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
| CN110148285B (zh) | 一种基于大数据技术的油井参数智能预警系统及其预警方法 | |
| Xiang et al. | LSTM networks based on attention ordered neurons for gear remaining life prediction | |
| CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
| CN111144548B (zh) | 抽油机井工况的识别方法及装置 | |
| CN111783362B (zh) | 一种电动闸阀剩余使用寿命确定方法及系统 | |
| Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
| CN115099129B (zh) | 一种基于输入特征误差修正的天然气井产量预测方法 | |
| CN114491828A (zh) | 一种基于多门控混合专家多任务学习的复合故障诊断方法 | |
| Ma et al. | A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples | |
| Yang et al. | Physics-informed multi-state temporal frequency network for RUL prediction of rolling bearings | |
| CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
| Liu et al. | Hydraulic system fault diagnosis of the chain jacks based on multi-source data fusion | |
| Shi et al. | A dual attention LSTM lightweight model based on exponential smoothing for remaining useful life prediction | |
| Tao et al. | A digital twin-based fault diagnostic method for subsea control systems | |
| Pan et al. | Bayesian-based water leakage detection with a novel multisensor fusion method in a deep manned submersible | |
| Xie et al. | A model of software fault detection and correction processes considering heterogeneous faults | |
| Ren et al. | Bayesian incremental learning paradigm for online monitoring of dam behavior considering global uncertainty | |
| CN115099464A (zh) | 一种基于油嘴模型流量系数预测的油井产量预测方法 | |
| Shalobanov et al. | Diagnostics of continuous dynamic systems using logic functions | |
| CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
| Azyus et al. | Determining rul predictive maintenance on aircraft engines using gru | |
| CN114118140B (zh) | 防爆电机轴承多视角智能故障诊断方法及系统 | |
| CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
| CN116906025B (zh) | 一种采油工程生产异常诊断装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |