Hybrides Deep-Learning-Modell zur Prognose der Schiefergasproduktion basierend auf dem Prinzip der Dekonstruktion-Rekonstruktion
Von Gemini AI generiertes Bild
Ein neues hybrides Modell, CEEMDAN-SE-LSTM, kombiniert Deep Learning mit Zerfallstechniken, um die Vorhersage der Gasproduktion in Schieferreservoirs zu verbessern. Es adressiert die Herausforderungen, die durch nichtlineare und nichtstationäre Daten entstehen. Dieses Modell steigert die Vorhersagegenauigkeit erheblich und senkt gleichzeitig die Rechenkosten, was durch verschiedene Datensätze validiert wurde. Die Ergebnisse deuten darauf hin, dass es zur Entwicklung besserer Produktionsstrategien beitragen könnte.
Hybrides Deep-Learning-Modell verbessert die Prognose der Schiefergasproduktion
Ein neues hybrides Deep-Learning-Modell wurde entwickelt, um die Schiefergasproduktion genauer vorherzusagen. Dieser Ansatz integriert datengestützte Techniken mit Zerfällungsmethoden, um Herausforderungen bei der Vorhersage der Produktionsdynamik aus hydraulischem Fracking zu bewältigen.
Die Studie unterstreicht die Bedeutung präziser Schätzungen der Gasproduktion aufgrund der ultraniedrigen Porosität und Permeabilität von Schieferformationen. Traditionelle Vorhersagemethoden hatten Schwierigkeiten mit der nichtlinearen Natur der Produktionsdaten.
Modellentwicklung
Die Forscher bewerteten vorhandene Daten mithilfe der Rückgangskurvenanalyse und entwickelten hybride Modelle, die Long Short-Term Memory (LSTM) und Gated Recurrent Unit (GRU) Netzwerke mit Zerfällungstechniken wie der empirischen Moduszerlegung (EMD) und der vollständigen Ensemble-empirischen Moduszerlegung mit adaptivem Rauschen (CEEMDAN) kombinieren.
Das resultierende CEEMDAN-SE-LSTM-Modell verbessert die Prognosefähigkeiten und minimiert gleichzeitig die Rechenkosten. Es hat sich als vielversprechend erwiesen, um Produktionsdaten effektiv vorherzusagen.
Ergebnisse und Validierung
Leistungsbewertungen zeigen die Überlegenheit des CEEMDAN-SE-LSTM-Modells bei der Erfassung betrieblicher Störungen und Schwankungen der Produktionsraten. Die Validierung anhand von zwei Datensätzen zur Schiefergasproduktion bestätigte seine Zuverlässigkeit.
Auswirkungen auf die Gasproduktion
Die Fähigkeit des Modells, präzise Vorhersagen zu liefern, ermöglicht es den Betreibern, Entwicklungspläne zu optimieren und die Effizienz der Gasförderungsprozesse zu verbessern.
Verwandte Themen:
📰 Originalquelle: https://doi.org/10.1115/1.4070746
Alle Rechte und Urheberrechte liegen beim ursprünglichen Herausgeber.