科研之友
微信
新浪微博
Facebook
分享链接
摘要
油田产量预测是油田开发生产过程中关键问题之一，机器学习的数据驱动技术在时间序列的石油产量预测应用中较为广泛。针对早期神经网络对油田时序信息不敏感、预测值容易出现持续偏差的问题，建立了基于长短期记忆(LSTM)和门控递归单元(GRU)两种循环神经网络的产量预测模型，克服了传统方法在产量预测方面的的局限性。引入了回归插补法降噪和差分的数据处理方式，较好地解决了油田生产数据存在异常点、阶段性波动特征的问题，大幅提高了LSTM和GRU神经网络在油田产量预测的精度。利用实际油田数据对建立的模型进行训练和评价，并与传统的支持向量机(SVM)、集成学习回归(AdaBoost)、反向传播(BP)神经网络、循环神经网络(RNN)预测结果进行了对比，发现LSTM和GRU循环神经网络模型具有较高的预测精度，能较好地应用于石油产量的时间序列预测。
-
单位中海油能源发展股份有限公司工程技术分公司; 中海油研究总院有限责任公司
