根據(jù)油田生產(chǎn)歷史數(shù)據(jù)利用深度學習方法預測油田特高含水期產(chǎn)量,并進行了實驗驗證和應用效果分析�？紤]到傳統(tǒng)全連接神經(jīng)網(wǎng)絡(FCNN)無法描述時間序列數(shù)據(jù)的相關性,基于一種循環(huán)神經(jīng)網(wǎng)絡(RNN)即長短期記憶神經(jīng)網(wǎng)絡(LSTM)來構建油田產(chǎn)量預測模型。該模型不僅考慮了產(chǎn)量指標與其影響因素之間的聯(lián)系,還兼顧了產(chǎn)量隨時間變化的趨勢和前后關聯(lián)。利用國內某中高滲透砂巖水驅開發(fā)油田生產(chǎn)歷史數(shù)據(jù)進行特高含水期產(chǎn)量預測,并與傳統(tǒng)水驅曲線方法和FCNN的預測結果比較,發(fā)現(xiàn)基于深度學習的LSTM預測精度更高,針對油田生產(chǎn)中復雜時間序列的預測結果更準確。利用LSTM模型預測了另外兩個油田的月產(chǎn)油量,預測結果較好,驗證了方法的通用性。圖3表3參40

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 原理與方法
    1.1 長短期記憶神經(jīng)網(wǎng)絡
    1.2 特征選擇
2 數(shù)據(jù)預處理與模型訓練
    2.1 影響因素分析
    2.2 數(shù)據(jù)標準化
    2.3 樣本集構造
        2.3.1 特征向量構造
        2.3.2 時間序列化數(shù)據(jù)構造
        2.3.3 樣本數(shù)據(jù)集構造
        2.3.4 數(shù)據(jù)集劃分
    2.4 評價指標
    2.5 模型訓練與自動調優(yōu)
        2.5.1 模型訓練
        2.5.2 參數(shù)自動調優(yōu)
3 結果與討論
    3.1 實驗結果
    3.2 討論
4 結語
符號注釋：



本文編號：3871180