Modelo híbrido de aprendizado profundo para prever a produção de gás de xisto com base no princípio de decomposição-reconstrução

Modelo Híbrido de Aprendizado Profundo Melhora a Previsão de Produção de Gás de Xisto

Um novo modelo híbrido de aprendizado profundo foi desenvolvido para prever a produção de gás de xisto com mais precisão. Essa abordagem integra técnicas baseadas em dados com métodos de decomposição para enfrentar os desafios na previsão da dinâmica de produção proveniente da fraturação hidráulica.

O estudo ressalta a importância de estimativas precisas de produção de gás devido à ultrabaixa porosidade e permeabilidade das formações de xisto. Métodos tradicionais de previsão têm enfrentado dificuldades com a natureza não linear dos dados de produção.

Desenvolvimento do Modelo

Os pesquisadores avaliaram dados existentes utilizando análise de curva de declínio e desenvolveram modelos híbridos que combinam redes de memória de longo curto prazo (LSTM) e unidades recorrentes com portão (GRU) com técnicas de decomposição, como decomposição de modo empírico (EMD) e decomposição empírica de modo completo com ruído adaptativo (CEEMDAN).

O modelo resultante CEEMDAN-SE-LSTM melhora as capacidades de previsão enquanto minimiza os custos computacionais. Ele demonstrou promessas em prever dados de produção de forma eficaz.

Resultados e Validação

Avaliações de desempenho demonstram a superioridade do modelo CEEMDAN-SE-LSTM em capturar interrupções operacionais e flutuações nas taxas de produção. A validação contra dois conjuntos de dados de produção de gás de xisto confirmou sua confiabilidade.

Implicações para a Produção de Gás

A capacidade do modelo de fornecer previsões precisas permite que os operadores otimizem planos de desenvolvimento e melhorem a eficiência nos processos de extração de gás.