Modèle hybride d'apprentissage profond pour prévoir la production de gaz de schiste basé sur le principe de décomposition-reconstruction
Image générée par Gemini AI
Un nouveau modèle hybride, CEEMDAN-SE-LSTM, allie apprentissage profond et techniques de décomposition pour améliorer les prévisions de production de gaz dans les réservoirs de schiste, face aux défis posés par des données non linéaires et non stationnaires. Ce modèle augmente considérablement la précision des prévisions tout en réduisant les coûts de calcul, comme l'ont confirmé plusieurs jeux de données. Les résultats laissent à penser qu'il pourrait contribuer à des stratégies de production plus efficaces.
Un Modèle Hybride d'Apprentissage Profond Améliore la Prévision de la Production de Gaz de Schiste
Un nouveau modèle hybride d'apprentissage profond a été développé pour prévoir la production de gaz de schiste de manière plus précise. Cette approche intègre des techniques basées sur les données avec des méthodes de décomposition pour relever les défis liés à la prédiction des dynamiques de production issues de la fracturation hydraulique.
L'étude souligne l'importance d'estimations précises de la production de gaz en raison de la porosité et de la perméabilité ultrabasses des formations schisteuses. Les méthodes de prédiction traditionnelles ont rencontré des difficultés face à la nature non linéaire des données de production.
Développement du Modèle
Les chercheurs ont évalué les données existantes en utilisant l'analyse des courbes de déclin et ont développé des modèles hybrides combinant des réseaux de mémoire à long terme et à court terme (LSTM) et des unités récurrentes à portes (GRU) avec des techniques de décomposition telles que la décomposition en mode empirique (EMD) et la décomposition en mode empirique en ensemble complet avec bruit adaptatif (CEEMDAN).
Le modèle CEEMDAN-SE-LSTM résultant améliore les capacités de prévision tout en minimisant les coûts computationnels. Il a montré des promesses dans la prédiction efficace des données de production.
Résultats et Validation
Les évaluations de performance démontrent la supériorité du modèle CEEMDAN-SE-LSTM dans la capture des perturbations opérationnelles et des fluctuations des taux de production. La validation contre deux ensembles de données de production de gaz de schiste a confirmé sa fiabilité.
Implications pour la Production de Gaz
La capacité du modèle à fournir des prévisions précises permet aux opérateurs d'optimiser les plans de développement et d'améliorer l'efficacité des processus d'extraction de gaz.
Sujets connexes :
📰 Source originale : https://doi.org/10.1115/1.4070746
Tous les droits et crédits appartiennent à l'éditeur original.