期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果
1
作者
李艳辉
王衍萌
《科学技术与工程》
北大核心
2023年第32期13896-13902,共7页
准确识别地层注水情况是油田开发的重要前提,对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水,提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法,该方法首先将卷积神经网络(convolution...
准确识别地层注水情况是油田开发的重要前提,对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水,提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法,该方法首先将卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirection long short-term memory,BiLSTM)进行联合,用于捕获注水流量的复杂非线性时空关系,然后采用注意力机制来关注输入的重要特征。并针对油田历史数据匮乏问题,提出使用数据增强技术来增加一维时间序列的数据量。采用国内某油田注水井真实历史注水数据进行实验。结果表明:所提出的CNN-BiLSTM-Attention预测模型的平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和决定系数(coefficient of determination,R 2)分别为0.027、0.043、9.936和0.968,通过多种模型对比,表明该方法具有较高的预测精度,可以更准确地预测注水流量。采用数据增强技术可以有效提高模型的预测精度。研究成果可为油田精细化注水提供调整方案与高质量数据,从而为油田智能化开发提供理论依据。
展开更多
关键词
注水流量预测
数据增强
卷积神经网络(CNN)
双向长短期记忆网络(BiLSTM)
注意力机制
下载PDF
职称材料
题名
基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果
1
作者
李艳辉
王衍萌
机构
东北石油大学环渤海能源研究院
东北石油大学电气信息工程学院
出处
《科学技术与工程》
北大核心
2023年第32期13896-13902,共7页
基金
黑龙江省自然科学基金(LH2020F004)
海南省重大科技计划项目(ZDKJ2021025)。
文摘
准确识别地层注水情况是油田开发的重要前提,对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水,提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法,该方法首先将卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirection long short-term memory,BiLSTM)进行联合,用于捕获注水流量的复杂非线性时空关系,然后采用注意力机制来关注输入的重要特征。并针对油田历史数据匮乏问题,提出使用数据增强技术来增加一维时间序列的数据量。采用国内某油田注水井真实历史注水数据进行实验。结果表明:所提出的CNN-BiLSTM-Attention预测模型的平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和决定系数(coefficient of determination,R 2)分别为0.027、0.043、9.936和0.968,通过多种模型对比,表明该方法具有较高的预测精度,可以更准确地预测注水流量。采用数据增强技术可以有效提高模型的预测精度。研究成果可为油田精细化注水提供调整方案与高质量数据,从而为油田智能化开发提供理论依据。
关键词
注水流量预测
数据增强
卷积神经网络(CNN)
双向长短期记忆网络(BiLSTM)
注意力机制
Keywords
water injection rate prediction
data enhancement
convolutional neural network(CNN)
bidirection long short-term memory(BiLSTM)
attention mechanism
分类号
TP391 [自动化与计算机技术—计算机应用技术]
TE341 [石油与天然气工程—油气田开发工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果
李艳辉
王衍萌
《科学技术与工程》
北大核心
2023
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部