基于循环神经网络和数据差分处理的油田产量预测方法

油田产量预测是油田开发生产过程中关键问题之一,机器学习的数据驱动技术在时间序列的石油产量预测应用中较为广泛。针对早期神经网络对油田时序信息不敏感、预测值容易出现持续偏差的问题,建立了基于长短期记忆(LSTM)和门控递归单元(GRU)两种循环神经网络的产量预测模型,克服了传统方法在产量预测方面的的局限性。引入了回归插补法降噪和差分的数据处理方式,较好地解决了油田生产数据存在异常点、阶段性波动特征的问题,大幅提高了LSTM和GRU神经网络在油田产量预测的精度。利用实际油田数据对建立的模型进行训练和评价,并与传统的支持向量机(SVM)、集成学习回归(AdaBoost)、反向传播(BP)神经网络、循环神经网络(RNN)预测结果进行了对比,发现LSTM和GRU循环神经网络模型具有较高的预测精度,能较好地应用于石油产量的时间序列预测。

对模拟纵向数据集缺失值处理的几种方法比较

运用SAS9.0、数据模拟技术,分别模拟纵向完整数据集和具有各种缺失率的随机缺失数据集,采用多重填补法(MI)、期望值最大化法(EM)和回归插补法(Regression)对各缺失数据集进行处理,对结果进行比较和分析。结果表明,对不同缺失率的数据集,MI、EM和Regression法对缺失值的处理各有优劣。

深海油气管道数据清洗方法设计

提出数据缺失值插补算法和数据离群点检测算法。对管道全生命周期中产生的数据进行初步的筛选,然后进行管道全生命周期数据的预处理,检测缺失值和异常值。在数据缺失值插补算法中提出多元线性回归插补法,对检测的缺失值进行合理化插补。对管道数据中的离群点利用基于密度的局部离群点检测算法,将检测出的离群点进行仿真测试,局部离群因子(Local Outlier Factor,LOF)离群点检测算法正检率达96%,比传统的k-means离群点检测算法高41.18%,得到较高的检测精度,并建立最优检测模型。