基于注意力机制的CNN-GRU煤层气产能预测方法研究

为优化当前煤层气产气量预测方法,探讨煤层气产能排采数据历史状态影响及时序过长导致丢失关键信息的问题,提出了一种基于Attention机制的卷积门控循环单元网络的煤层气产能预测模型;选取5个与日产气相关性较高的排采参数,利用韩城区块煤层气井现场排采数据构建并训练煤层气产能预测模型,预测未来该井区160 d的产气量情况。研究结果表明:引入注意力机制的组合模型CNN-GRUA,通过提取数据高层特征、并降低历史序列关键信息丢失的影响,克服了传统预测方法无法处理数据间非线性、时序性以及信息丢失的问题;相比BP神经网络、卷积神经网络、门控循环单元和未引入注意力机制的CNN-GRU等模型,组合CNNGRUA模型具有更高的预测精度,平均绝对误差百分比仅为1.72%。