利用一种新的机器学习方法预测水淹性能:该方法结合了线性动力系统和神经网络
白静瑾、
蔡九洁、
刘嘉铮、
滕百璐
《Energies》:Prediction of Waterflooding Performance with a New Machine Learning Method by Combining Linear Dynamical Systems with Neural Networks
Jingjin Bai,
Jiujie Cai,
Jiazheng Liu and
Bailu Teng
【字体:
大
中
小
】
时间:2026年04月14日
来源:Energies 3.2
编辑推荐:
摘要
近年来,机器学习方法在预测水力压渗效果方面受到了广泛关注,但其准确性往往仍不足以满足实际现场应用的需求。本研究提出了一种混合框架,该框架将线性动态系统(LDS)与神经网络(NN)相结合。通过将注入-生产关系分解为线
摘要
近年来,机器学习方法在预测水力压渗效果方面受到了广泛关注,但其准确性往往仍不足以满足实际现场应用的需求。本研究提出了一种混合框架,该框架将线性动态系统(LDS)与神经网络(NN)相结合。通过将注入-生产关系分解为线性和非线性两部分,该框架提高了油产量预测的准确性。具体而言,总注入量与总液体产量大致呈线性关系,这可以通过基于水库物质平衡原理的LDS模型有效捕捉。相比之下,产生的液体中的油含量(定义为油产量与液体产量的比率)介于0和1之间,并且通常会随时间减少。这种非线性趋势可以通过神经网络(NN)准确建模。LDS-NN框架的参数是通过监督训练过程从历史注入和生产数据中学习得到的。此外,模型内的关键超参数可以被调整以优化不同水库特性的性能。所提出的混合方法使用模拟水库案例和真实现场数据进行了评估,并与仅使用LDS或仅使用NN的模型进行了比较。结果表明,在合成和水力压渗的实际场景中,LDS-NN框架始终提供比单独使用LDS或NN更准确的油产量预测。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号