基于数据挖掘的长短期记忆网络模型油井产量预测方法

• 作者: 周梅 李志涛 梁颖 谷建伟 贾祥军
• 来源期刊: 特种油气藏
• 学科: 工学
• 关键词: 长短期记忆网络 产量预测 时间序列 深度学习
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 油藏工程
• 页码范围: 77-81,131
• 页数: 6页
• 分类号: TE328
• 字数: 4635字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-6535.2019.02.013

摘要

传统的BP神经网络及其改进算法广泛应用于产量预测,但并不适宜时间序列预测问题.基于产油量变化的时间序列特征,提出利用长短期记忆网络(LSTM)深度学习模型实现具有长期记忆能力的时间序列预测,在描述LSTM神经网络的基本结构和算法原理基础上,阐述了样本数据处理,输入层、隐藏层和输出层节点数选择及表征方式,形成产量预测模型.实例应用表明,LSTM模型可以准确预测油井产量,整体平均误差约为1.46％,并指出无预兆停产、特殊情况以及部分数据量缺失是影响预测准确性的主要原因.该模型的提出对于大数据和深度学习在石油方面的应用研究具有重要意义.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	梁颖		2	14	2.0	2.0
2	贾祥军		1	8	1.0	1.0