Гибридная модель глубокого обучения для прогнозирования производства сланцевого газа на основе принципа декомпозиции-реконструкции
Изображение создано Gemini AI
Новая гибридная модель CEEMDAN-SE-LSTM сочетает в себе методы глубокого обучения и техники декомпозиции для повышения точности прогнозирования добычи газа в сланцевых резервуарах, решая проблемы, связанные с нелинейными и нестационарными данными. Эта модель значительно улучшает точность прогнозов при снижении вычислительных затрат, что было подтверждено на нескольких наборах данных. Полученные результаты указывают на то, что она может способствовать разработке более эффективных стратегий добычи.
Гибридная модель глубокого обучения улучшает прогнозирование производства сланцевого газа
Разработана новая гибридная модель глубокого обучения для более точного прогнозирования производства сланцевого газа. Этот подход интегрирует методы, основанные на данных, с методами декомпозиции, чтобы решить проблемы прогнозирования динамики производства из-за гидравлического разрыва.
Исследование подчеркивает важность точных оценок газового выхода из-за ультрамалой пористости и проницаемости сланцевых формаций. Традиционные методы прогнозирования испытывают трудности из-за нелинейного характера данных о производстве.
Разработка модели
Исследователи оценили существующие данные с использованием анализа кривой снижения и разработали гибридные модели, комбинируя сети длинной краткосрочной памяти (LSTM) и управляемые рекуррентные единицы (GRU) с методами декомпозиции, такими как эмпирическая модальная декомпозиция (EMD) и полная ансамблевая эмпирическая модальная декомпозиция с адаптивным шумом (CEEMDAN).
В результате получилась модель CEEMDAN-SE-LSTM, которая улучшает прогнозирующие возможности, минимизируя вычислительные затраты. Она показала многообещающие результаты в эффективном прогнозировании данных о производстве.
Результаты и валидация
Оценки производительности демонстрируют превосходство модели CEEMDAN-SE-LSTM в захвате операционных нарушений и колебаний в темпах производства. Валидация на двух наборах данных о производстве сланцевого газа подтвердила ее надежность.
Последствия для производства газа
Способность модели предоставлять точные прогнозы позволяет операторам оптимизировать планы разработки и повышать эффективность процессов добычи газа.
Связанные темы:
📰 Первоисточник: https://doi.org/10.1115/1.4070746
Все права и авторство принадлежат первоначальному издателю.