Modelo híbrido de aprendizaje profundo para predecir la producción de gas de esquisto basado en el principio de descomposición-reconstrucción
Imagen generada por Gemini AI
Un nuevo modelo híbrido, CEEMDAN-SE-LSTM, combina el aprendizaje profundo con técnicas de descomposición para mejorar la previsión de producción de gas en reservorios de esquisto, enfrentando los desafíos que presentan los datos no lineales y no estacionarios. Este modelo mejora significativamente la precisión de las predicciones mientras reduce los costos computacionales, validado con múltiples conjuntos de datos. Los hallazgos sugieren que podría contribuir a desarrollar mejores estrategias de producción.
Modelo Híbrido de Aprendizaje Profundo Mejora la Predicción de la Producción de Gas de Esquisto
Se ha desarrollado un nuevo modelo híbrido de aprendizaje profundo para predecir la producción de gas de esquisto de manera más precisa. Este enfoque integra técnicas basadas en datos con métodos de descomposición para abordar los desafíos en la predicción de la dinámica de producción a partir de la fracturación hidráulica.
El estudio subraya la importancia de estimaciones precisas de la producción de gas debido a la porosidad y permeabilidad ultrabajas de las formaciones de esquisto. Los métodos de predicción tradicionales han tenido dificultades con la naturaleza no lineal de los datos de producción.
Desarrollo del Modelo
Los investigadores evaluaron los datos existentes utilizando análisis de curvas de declive y desarrollaron modelos híbridos que combinan redes de memoria a largo y corto plazo (LSTM) y unidades recurrentes con compuertas (GRU) con técnicas de descomposición como la descomposición de modo empírico (EMD) y la descomposición de modo empírico de conjunto completo con ruido adaptativo (CEEMDAN).
El modelo CEEMDAN-SE-LSTM resultante mejora las capacidades de predicción mientras minimiza los costos computacionales. Ha mostrado ser prometedor en la predicción de datos de producción de manera efectiva.
Resultados y Validación
Las evaluaciones de rendimiento demuestran la superioridad del modelo CEEMDAN-SE-LSTM en la captura de interrupciones operativas y fluctuaciones en las tasas de producción. La validación contra dos conjuntos de datos de producción de gas de esquisto confirmó su fiabilidad.
Implicaciones para la Producción de Gas
La capacidad del modelo para ofrecer pronósticos precisos permite a los operadores optimizar los planes de desarrollo y mejorar la eficiencia en los procesos de extracción de gas.
Temas relacionados:
📰 Fuente original: https://doi.org/10.1115/1.4070746
Todos los derechos y créditos pertenecen al editor original.