| 基于长短期记忆网络和注意力机制的油井产油量预测 |
| |
| 引用本文： | 潘少伟,郑泽晨,王吉哲,蔡文斌,王朝阳.基于长短期记忆网络和注意力机制的油井产油量预测[J].科学技术与工程,2021,21(30):13010-13015. |
| |
| 作者姓名： | 潘少伟 郑泽晨 王吉哲 蔡文斌 王朝阳 |
| |
| 作者单位： | 西安石油大学计算机学院;西安石油大学石油工程学院 |
| |
| 基金项目： | 国家自然科学基金(52074225)；陕西省自然科学基金No.2019JM-174、No.2020JM-534) |
| |
| 摘 要： | 准确地预测油井产油量在油田生产中至关重要,针对传统的线性预测方法存在适应性差的问题,以及在处理时序问题上难以很好拟合历史数据的问题,提出使用长短期记忆神经网络和注意力机制来解决数据中存在的时序关系以及增强模型的可移植性,并且分析了时间滞后、学习率衰减和神经元随机失活三个参数对油井产油量预测模型的影响,发现这三个参数分别为36、0.3和0.8时,模型表现最佳。使用最优参数建立油井产油量预测模型,并将该模型应用于XX油田的三口实验井数据上,其中井H3-32的后期实际产油总量为1470.5t,预测值为1442.33t,误差为1.92%；井H3-34的后期实际产油总量为1564.5t,预测值为1545.98t,误差为1.20%；井H3-35的后期实际产油总量为742.2t,预测值为772.12t,误差为4.05%。由此可见,基于长短期记忆神经网络和注意力机制的油井产油量预测模型的精度较高。本文研究成果可促进先进计算机技术在石油工业中的应用,对我国油田生产方案的制订和原油采收率的进一步提高具有非常重要的理论与现实意义。
|
| 关 键 词： | 产油量 回归 LSTM 注意力机制 随机森林 |
| 收稿时间： | 2021/3/14 0:00:00 |
| 修稿时间： | 2021/9/16 0:00:00 |
Oil production prediction of oil wells based on LSTM and attention |
| |
| Pan shaowei,Zheng Zechen,Wang Jizhe,Cai Wenbin,Wang Zhaoyang.Oil production prediction of oil wells based on LSTM and attention[J].Science Technology and Engineering,2021,21(30):13010-13015. |
| |
| Authors: | Pan shaowei Zheng Zechen Wang Jizhe Cai Wenbin Wang Zhaoyang |
| |
| Abstract: | |
| |
| Keywords: | Oil production Regression LSTM Attention Random forest |
|
| 点击此处可从《科学技术与工程》浏览原始摘要信息 |
|
点击此处可从《科学技术与工程》下载全文 |
|
