CN117648671B - 一种融合机理模型和实时数据的油井产量预测方法 - Google Patents
一种融合机理模型和实时数据的油井产量预测方法 Download PDFInfo
- Publication number
- CN117648671B CN117648671B CN202410116533.XA CN202410116533A CN117648671B CN 117648671 B CN117648671 B CN 117648671B CN 202410116533 A CN202410116533 A CN 202410116533A CN 117648671 B CN117648671 B CN 117648671B
- Authority
- CN
- China
- Prior art keywords
- data
- oil well
- phase separator
- global
- model
- 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
- 239000003129 oil well Substances 0.000 title claims abstract description 53
- 230000007246 mechanism Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 239000007788 liquid Substances 0.000 claims description 16
- 230000009021 linear effect Effects 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合机理模型和实时数据的油井产量预测方法,包括构建机理仿真输出机理模型数据,将时序参数数据进行相关性分析后得到核心时序参数数据然后进行数据处理,将数据处理后的核心时序参数数据和机理建模数据进行有效融合后输入预测模型的编码器来捕获全局信息和局部信息,解码器处理编码器输出的全局信息和局部信息,最后输出油井产量预测结果。本发明通过融合机理模型的模拟数据和实时数据并使用多元时序预测模型来输出预测结果,提高了预测结果的说服性,使结果更加可靠。
Description
技术领域
本发明设计一种融合机理模型和实时数据的油井产量预测方法,属于涉及大数据模型的油井产量预测方法。
背景技术
随着油气资源的不断挖掘和利用,油田开发领域正面临前所未有的挑战,传统的开发方法,主要依赖于经验和固定规则,虽然在一定程度上有效,却未能充分挖掘数据中蕴含的深层价值和潜在规律,这种方法在应对快速演变的市场和技术环境时显得力不从心,因此,油井开发正逐步转向智能化,以更好地适应时代的发展。
在油气行业,油井产量预测对于优化生产、提高效率和降低风险至关重要,一种融合机理模型和实时数据的油井产量预测方法利用了传统物理模型的精确性与现代数据处理技术的强大分析能力,提供了一种先进的解决方案。
机理模型基于油井设备的物理特性构建,包括油嘴管汇模型、三相分离器模型,这些模型通常很复杂,需要专业知识来建立和解释,但是提供了对油井行为深刻的理解和精确的预测基准。
随着传感器技术和数据采集系统的发展,油田现场产生了大量实时数据,包括压力、温度、流量、液位和产量各种参数,这些数据提供了油井性能的即时快照,使得可以对油井的当前状况做出快速反应;但是单独的实时数据并不能提供足够的背景和趋势分析,这就需要将其与更深层次的模型结合起来。
油井产量预测技术一般是指利用数据分析和机器学习技术对油井进行性能分析和产量预测的一种方法,但是现有预测方法考虑因素较少,预测准确性较差,因此提出了一种融合机理模型和实时数据的油井产量预测方法。
发明内容
为了解决上述提出的问题,本发明提供一种融合机理模型和实时数据的油井产量预测方法;本发明更深层次地考虑如何将机理模型的输出数据与实时数据相结合,从而进一步提高预测的准确性;还考虑了时间序列中的长期依赖关系,使用多元时序预测模型来实现更加精确的预测。
本发明所提出的一种融合机理模型和实时数据的油井产量预测方法具体步骤如下:
步骤S10、通过机理仿真建模对油嘴管汇和三相分离器进行机理分析,得到关联油井机理建模数据;
步骤S20、使用油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位、油井排液量、油井产量这些时序参数数据进行相关性分析,得到关于油井产量的核心时序参数数据后进行数据处理;
步骤S30、将数据处理后的核心时序参数数据和机理建模数据进行有效融合,加载进预测模型中通过编码器来捕获全局信息和局部信息;
步骤S40、预测模型的解码器处理编码器输出的全局信息和局部信息,通过注意力机制和线性层进行融合,生成最终的油井产量预测结果。
进一步的技术方案是,所述步骤S10的具体过程为:对油嘴管汇和三相分离器两个油井设备进行物理仿真模型构建,并通过模拟算法输出机理建模数据,其中机理建模数据包括:油嘴管汇上下压、三相分离器上下压、三相分离器液位和三相分离器温度。
进一步的技术方案是,所述步骤S20的具体过程为:对时序参数数据进行相关性分析的步骤包括,使用构建多元回归模型的方法进行相关性分析,将油井产量作为因变量,油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位、油井排液量作为自变量来拟合回归模型;检查自变量系数的显著性来确定自变量对因变量有显著影响的时序参数数据;得到关于油井产量的核心时序参数数据包括时序日期、油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位和油井产量;
对核心时序参数数据进行数据处理包括数据标准化,数据分割,序列提取;数据标准化通过去除均值并缩放至单位方差来标准化特征;数据分割根据训练、验证和测试的需求,数据被分割成不同的部分;序列提取根据定义的序列长度、标签长度和预测长度从时间序列中提取数据。
进一步的技术方案是,所述步骤S30的具体过程为:预测模型编码器分为全局分支和局部分支两个部分;全局分支用于捕获整个输入序列的全局依赖关系和长距离模式,即全局信息;全局分支中包括GConv、FNO和Film三个不同的模块;GConv是一种全局卷积层,能够捕捉序列的全局特征;FNO是一种利用傅里叶变换处理序列数据的网络结构,适合捕捉全局和周期性特征;Film是特征线性调制层,用于处理序列数据;
局部分支专注于捕捉输入序列的局部特征和短期依赖关系,即局部信息;局部分支使用趋势分解和残差分解,分别对趋势部分和残差部分进行编码,然后将两部分的结果相加。
进一步的技术方案是,所述步骤S40的具体过程为:将编码器输出的全局信息和局部信息通过解码器的线性层进行变换,变为三个不同的表示,分别称为查询、键和值,这里将全局信息作为查询,将局部信息作为键和值;变换后的全局信息和局部信息进入注意力层,计算注意力权重并获得加权的输出,最后将所有加权的输出结合后得到最终的产量预测结果。
与现有技术相比,本发明的有益效果为:
本发明综合了机理建模数据与油井实时数据,并使用多元时间序列预测框架构建油井产量预测模型,能适应油井领域数据的多变化环境,对于预测结果有更好的说服力,因而本方法具有较强的普适性。
本发明模型中引入了一种新的全局-局部结构,利用一个低复杂度的全局分支来捕获长期依赖关系和一个局部分支来捕获细粒度短期信息,这种创新的结构增强了神经网络以一种计算效率高的方式建模复杂关系的能力,使准确度更高,预测出的结果更可靠。
本发明所采用的模型底层使用的是注意力机制,因而无需在中途做额外的数据处理,相对更方便和高效。
附图说明
附图1为本发明流程图。
具体实施方式
下面结合附图与实施案例对本发明做更进一步的说明,以使本发明的目的、技术方案及优点更加清楚明白,以附图1为例,本发明的流程为:构建机理仿真输出机理模型数据,将时序参数数据进行相关性分析后得到核心时序参数数据然后进行数据处理,将数据处理后的核心时序参数数据和机理建模数据进行有效融合后输入预测模型中,最后输出油井产量预测结果,具体包括以下步骤:
步骤S10、通过机理仿真建模对油嘴管汇和三相分离器进行机理分析,得到关联油井机理建模数据;
同时,本申请中所述机理建模数据的获取基于机理模型模拟算法的输出,机理建模数据包括油嘴管汇上下压、三相分离器上下压、三相分离器液位和三相分离器温度;机理模型包括油嘴管汇仿真模型和三相分离器仿真模型。
步骤S20、使用油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位、油井排液量、油井产量这些时序参数数据进行相关性分析,得到关于油井产量的核心时序参数数据后进行数据处理;
同时,本申请中所述相关性分析方法是构建多元回归模型;对核心时序参数数据进行数据处理包括数据标准化,数据分割,序列提取;时序参数数据的获取基于多组传感器获取,传感器包括压力传感器、温度传感器、数字传感器;
在多元回归模型中将油井产量作为因变量,油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位、油井排液量作为自变量;
;
;
为理论回归方程,其中/>为因变量,/>为自变量,为回归系数,/>为误差项,/>为列数;多元线性回归自变量的观测值为:;因变量的观测值为/>,/>为变量总数,把自变量观测值和因变量观测值每一行叠加起来成为矩阵:
;
变为了/>,/>为设计矩阵;
回归系数的显著性检验就是检验自变量对因变量/>的影响是否显著,首先检验的假设是:
;
;
如果成立,则因变量/>与自变量/>之间并没有线性关系,即/>的变化对/>并没有显著的线性影响;否则,认为/>对/>有显著的线性影响;
其次,计算检验统计量,并得出对应的/>值;
;
其中为回归系数的标准差,/>为变量均值,/>为变量总数,/>值是用来判定假设检验结果的一个参数,最后,根据/>值进行判断,如果/>值小于确定的显著性水平(选择为0.05)时,拒绝原假设,认为/>,即自变量/>对/>的线性影响显著;否则,不能拒绝原假设,认为/>对/>的线性影响不显著;最终得出对油井产量有显著影响的核心时序参数数据为油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位;
对核心时序参数数据进行数据处理包括数据标准化,数据分割,序列提取;数据标准化通过去除均值并缩放至单位方差来标准化特征;数据分割根据训练、验证和测试的需求,数据被分割成不同的部分;序列提取根据定义的序列长度、标签长度和预测长度从时间序列中提取数据。
步骤S30、将数据处理后的核心时序参数数据和机理建模数据进行有效融合,加载进预测模型中通过编码器来捕获全局信息和局部信息;
需要说明的是,所使用的全局-局部结构具有独特的双分支设计,这种设计包括通过两个独立的分支同时传递输入数据,每个分支都专门设计用于捕获和提取不同类型的全局信息和局部信息;
将数据处理后的核心时序参数数据输入进模型的编码器中,在编码器中有两个并行的分支;具体来说,全局分支旨在提取全局信息,指的是存在于序列中的长期依赖关系,将整个输入序列/>(/>行/>列的实数集/>)输入到全局分支,其复杂度与序列长度呈次线性关系;相比之下,局部分支专注于捕获短期的局部信息/>,它涉及到附近的时间节点之间的依赖关系;同时,将序列/>(/>行/>列的实数集/>)的尾部片段(/>)反馈给变压器分支,以在不牺牲预测精度的情况下降低整体复杂度;
;
其中为全局分支,/>为局部分支。
步骤S40、预测模型的解码器处理编码器输出的全局信息和局部信息,通过注意力机制和线性层进行融合,生成最终的油井产量预测结果;
为了提高对全局信息和局部信息的利用率,将全局信息和局部信息合并到解码器模块中,该解码器模块主要包括交叉注意力模块;将全局信息和局部信息映射到令牌级别的一个隐藏维度,然后利用全局信息作为查询(/>),将局部信息作为键(/>)和值(/>)进行线性变换:
;
其中为多层感知机,这样可以有效集成全局信息和局部信息,线性变换后的全局信息和局部信息进入注意力层,计算查询和键之间的点积来获得注意力分数;
;
其中,为注意力分数,/>表示注意力矩阵,/>表示/>的维度,/>表示需要加权的/>矩阵,这些分数决定了在形成输出时每个输入元素的权重,通过Softmax函数对分数进行标准化,以确保和为1,将分数解释为权重,得到解码器的输出;最后,将所有的解码器加权输出结合后得到产量预测结果。
本申请中所述产量预测模型包括解码器和编码器,编码器用于捕获全局信息和局部信息,解码器用于处理编码器的输出。
以上所述,并非对本发明作任何形式上的限制,虽然本发明已通过上述实施案例揭示,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (4)
1.一种融合机理模型和实时数据的油井产量预测方法,其特征在于,将机理模型输出数据和实际油井输出数据相结合后使用预测模型进行产量预测,包括以下步骤:
步骤S10、通过机理仿真建模对油嘴管汇和三相分离器进行机理分析,得到关联油井机理建模数据;
步骤S20、使用油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位、油井排液量、油井产量这些实时时序参数数据进行相关性分析,得到关于油井产量的核心时序参数数据后进行数据处理;对实时时序参数数据进行相关性分析的步骤包括,使用构建多元回归模型的方法进行相关性分析,将油井产量作为因变量,油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位、油井排液量作为自变量来拟合回归模型;检查自变量系数的显著性来确定自变量对因变量有显著影响的实时时序参数数据;得到关于油井产量的核心时序参数数据包括时序日期、油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位和油井产量;
步骤S30、将数据处理后的核心时序参数数据和机理建模数据进行有效融合,加载进预测模型中通过编码器来捕获全局信息和局部信息;预测模型编码器分为全局分支和局部分支两个部分;全局分支用于捕获整个输入序列的全局依赖关系和长距离模式,即全局信息;全局分支中包括GConv、FNO和Film三个不同的模块;GConv是一种全局卷积层,能够捕捉序列的全局特征;FNO是一种利用傅里叶变换处理序列数据的网络结构,捕捉全局和周期性特征;Film是特征线性调制层,用于处理序列数据;局部分支专注于捕捉输入序列的局部特和短期依赖关系,即局部信息;局部分支使用趋势分解和残差分解,分别对趋势部分和残差部分进行编码,然后将两部分的结果相加;
步骤S40、预测模型的解码器处理编码器输出的全局信息和局部信息,通过注意力机制和线性层进行融合,生成最终的油井产量预测结果。
2.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法,其特征在于:在步骤S10中,对油嘴管汇和三相分离器两个油井设备进行物理仿真模型构建,并通过模拟算法输出机理建模数据,其中机理建模数据包括:油嘴管汇上下压、三相分离器上下压、三相分离器液位和三相分离器温度。
3.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法,其特征在于:在步骤S20中,对核心时序参数数据进行数据处理包括数据标准化,数据分割,序列提取;数据标准化通过去除均值并缩放至单位方差来标准化特征;数据分割根据训练、验证和测试的需求,数据被分割成不同的部分;序列提取根据定义的序列长度、标签长度和预测长度从时间序列中提取数据。
4.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法,其特征在于:在步骤S40中,将编码器输出的全局信息和局部信息通过解码器的线性层进行变换,变为三个不同的表示,分别称为查询、键和值,这里将全局信息作为查询,将局部信息作为键和值;变换后的全局信息和局部信息进入注意力层,计算注意力权重并获得加权的输出,最后将所有加权的输出结合后得到最终的产量预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116533.XA CN117648671B (zh) | 2024-01-29 | 2024-01-29 | 一种融合机理模型和实时数据的油井产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116533.XA CN117648671B (zh) | 2024-01-29 | 2024-01-29 | 一种融合机理模型和实时数据的油井产量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648671A CN117648671A (zh) | 2024-03-05 |
CN117648671B true CN117648671B (zh) | 2024-04-02 |
Family
ID=90049912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410116533.XA Active CN117648671B (zh) | 2024-01-29 | 2024-01-29 | 一种融合机理模型和实时数据的油井产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648671B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861498A (zh) * | 2022-05-18 | 2022-08-05 | 上海交通大学 | 融合多传感时序信号机理模型的电阻点焊质量在线检测方法 |
CN115099464A (zh) * | 2022-05-31 | 2022-09-23 | 中海石油(中国)有限公司天津分公司 | 一种基于油嘴模型流量系数预测的油井产量预测方法 |
CN115204030A (zh) * | 2022-05-10 | 2022-10-18 | 浙江海洋大学 | 一种基于机理与数据混联融合的节流阀气固两相冲蚀预测方法 |
CN115688579A (zh) * | 2022-11-01 | 2023-02-03 | 福建中锐网络股份有限公司 | 一种基于生成对抗网络的流域多点水位预测预警方法 |
WO2023040512A1 (zh) * | 2021-09-16 | 2023-03-23 | 广东辛孚科技有限公司 | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 |
CN116128158A (zh) * | 2023-04-04 | 2023-05-16 | 西南石油大学 | 混合采样注意力机制的油井效率预测方法 |
CN116523177A (zh) * | 2023-04-19 | 2023-08-01 | 元始智能科技(南通)有限公司 | 融合机理和深度学习模型的车辆能耗预测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11600282B2 (en) * | 2021-07-02 | 2023-03-07 | Google Llc | Compressing audio waveforms using neural networks and vector quantizers |
US20230367994A1 (en) * | 2022-05-13 | 2023-11-16 | NEC Laboratories Europe GmbH | Hyper network machine learning architecture for simulating physical systems |
-
2024
- 2024-01-29 CN CN202410116533.XA patent/CN117648671B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023040512A1 (zh) * | 2021-09-16 | 2023-03-23 | 广东辛孚科技有限公司 | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 |
CN115204030A (zh) * | 2022-05-10 | 2022-10-18 | 浙江海洋大学 | 一种基于机理与数据混联融合的节流阀气固两相冲蚀预测方法 |
CN114861498A (zh) * | 2022-05-18 | 2022-08-05 | 上海交通大学 | 融合多传感时序信号机理模型的电阻点焊质量在线检测方法 |
CN115099464A (zh) * | 2022-05-31 | 2022-09-23 | 中海石油(中国)有限公司天津分公司 | 一种基于油嘴模型流量系数预测的油井产量预测方法 |
CN115688579A (zh) * | 2022-11-01 | 2023-02-03 | 福建中锐网络股份有限公司 | 一种基于生成对抗网络的流域多点水位预测预警方法 |
CN116128158A (zh) * | 2023-04-04 | 2023-05-16 | 西南石油大学 | 混合采样注意力机制的油井效率预测方法 |
CN116523177A (zh) * | 2023-04-19 | 2023-08-01 | 元始智能科技(南通)有限公司 | 融合机理和深度学习模型的车辆能耗预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
Fine-Grained Visual Categorization: A Spatial–Frequency Feature Fusion Perspective;Min Wang 等;《IEEE Transactions on Circuits and Systems for Video Technology》;20221208;第33卷(第6期);2798-2812 * |
Also Published As
Publication number | Publication date |
---|---|
CN117648671A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | A survey on deep learning for data-driven soft sensors | |
Liu et al. | Automatic well test interpretation based on convolutional neural network for infinite reservoir | |
Li et al. | DTDR–ALSTM: Extracting dynamic time-delays to reconstruct multivariate data for improving attention-based LSTM industrial time series prediction models | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
Xiang et al. | Spatiotemporally multidifferential processing deep neural network and its application to equipment remaining useful life prediction | |
US20230195986A1 (en) | Method for predicting delay at multiple corners for digital integrated circuit | |
CN114528755A (zh) | 一种基于注意力机制结合gru的电力设备故障检测模型 | |
CN114898121A (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
CN115511119A (zh) | 基于知识图谱和贝叶斯的供热系统智能诊断方法及系统 | |
CN114428803A (zh) | 空压站运行优化方法、系统、存储介质及终端 | |
CN116992733A (zh) | 一种基于数字孪生的导管架结构疲劳寿命在线预测方法 | |
CN114723003A (zh) | 一种基于时序卷积和关系建模的事件序列预测方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
Lu et al. | Quality-relevant feature extraction method based on teacher-student uncertainty autoencoder and its application to soft sensors | |
CN117076931B (zh) | 一种基于条件扩散模型的时间序列数据预测方法和系统 | |
CN117648671B (zh) | 一种融合机理模型和实时数据的油井产量预测方法 | |
CN116737943A (zh) | 面向新闻领域的时序知识图谱链路预测方法 | |
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 | |
CN117874592A (zh) | 一种基于Transformer模型的水工闸门剩余寿命预测方法 | |
Zhang et al. | Study of Spatial Feature Extraction Methods for Surrogate Models of Numerical Reservoir Simulation | |
CN117216525A (zh) | 一种基于cnn-lka的稀疏图注意力软测量建模方法 | |
CN117521519A (zh) | 深度学习下的风电机组齿轮箱剩余寿命预测方法 | |
CN117973458A (zh) | 一种试验数据的非线性编辑方法 | |
Xu et al. | A life prediction method based on MDFF and DITCN-ABiGRU mixed network model |
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 |