發(fā)布時間：2021-12-28 08:41

　　隨著油田的不斷開采,油田的產(chǎn)量預測也變得越來越重要。目前有許多基于機器學習的預測方法,但大多數(shù)都不能給出具體的預測模型。提出一種基于Lasso算法的預測方法,結(jié)合現(xiàn)場生產(chǎn)數(shù)據(jù),選取一系列相關特征參數(shù),通過對參數(shù)數(shù)據(jù)的分析,初步選取各個參數(shù)的函數(shù)形式,然后利用Lasso算法得到最終的預測模型,達到預測產(chǎn)量的目的�，F(xiàn)場試驗表明,該方法得到的預測模型比較準確,可解釋性強,且預測精度高,可以應用于礦場產(chǎn)量預測。 

【文章來源】：科學技術與工程. 2020,20(26)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

冪函數(shù)

系數(shù)變化曲線

利用得到的預測模型在訓練集中進行擬合,可以得到1976年1月至2015年12月的產(chǎn)油量,其結(jié)果如圖3所示。利用式(10)計算該模型在訓練集中的誤差為9.8%,結(jié)合圖3的擬合效果可以發(fā)現(xiàn),該模型在訓練集整體的擬合效果良好,能夠得到比較準確的預測結(jié)果。

【參考文獻】：
期刊論文
[1]特高含水期產(chǎn)量遞減分析及遞減率表征公式[J]. 黃廣慶.  科學技術與工程. 2019(15)
[2]基于長短期記憶神經(jīng)網(wǎng)絡的油田新井產(chǎn)油量預測方法[J]. 侯春華.  油氣地質(zhì)與采收率. 2019(03)
[3]基于Lasso方法的污染氣體自適應探測算法[J]. 崔方曉,李大成,吳軍,王安靜,李揚裕.  光學學報. 2019(05)
[4]基于ARIMA-Kalman濾波器數(shù)據(jù)挖掘模型的油井產(chǎn)量預測[J]. 谷建偉,隋顧磊,李志濤,劉巍,王依科,張以根,崔文富.  深圳大學學報(理工版). 2018(06)
[5]基于PLSR的壓裂增油量變權(quán)重組合預測方法研究[J]. 李延平,修增鵬,叢巖.  中國錳業(yè). 2018(04)
[6]基于線性回歸法和時間序列法的石油產(chǎn)量預測研究[J]. 任芳玲,任思東,李佳佳.  河南科學. 2018(06)
[7]一種基于LASSO回歸模型的彩色相機顏色校正方法[J]. 郭越,高昆,朱鈞,豆?jié)申?黃亞東,馮云鵬.  影像科學與光化學. 2017(02)
[8]基于多元混沌時間序列的油田產(chǎn)量預測模型[J]. 鐘儀華,林旭旭,劉雨鑫.  數(shù)學的實踐與認識. 2016(06)
[9]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡在原油產(chǎn)量預測中的應用:以大慶油田BED試驗區(qū)為例[J]. 馬林茂,李德富,郭海湘,李偉偉.  數(shù)學的實踐與認識. 2015(24)

博士論文
[1]基于灰色系統(tǒng)與核方法的油藏動態(tài)預測方法研究[D]. 馬新.西南石油大學 2016



本文編號：3553756