基于分解-重建原理的混合深度学习模型用于预测页岩气生产

混合深度学习模型提升页岩气生产预测

一种新的混合深度学习模型已被开发，用于更准确地预测页岩气生产。这种方法结合了数据驱动技术和分解方法，以应对从水力压裂中预测生产动态的挑战。

研究强调了由于页岩层的超低孔隙度和渗透率，精确气体产量估算的重要性。传统的预测方法在处理生产数据的非线性特性时面临困难。

模型开发

研究人员使用下降曲线分析评估现有数据，并开发了结合长短期记忆（LSTM）和门控递归单元（GRU）网络与经验模态分解（EMD）及自适应噪声完整集成经验模态分解（CEEMDAN）等分解技术的混合模型。

最终得到的CEEMDAN-SE-LSTM模型在提高预测能力的同时，最小化了计算成本。它在有效预测生产数据方面显示出良好的前景。

结果与验证

性能评估表明，CEEMDAN-SE-LSTM模型在捕捉操作中断和生产率波动方面的优越性。与两个页岩气生产数据集的验证确认了其可靠性。

对气体生产的影响

该模型提供精确预测的能力使得运营商能够优化开发计划，提高气体开采过程的效率。