基于数据驱动的油气 reservoir 生产预测方法：优势与局限性

《Geoenergy Science and Engineering》：Data-driven production forecast for oil and gas reservoirs - advantages and limitations

　　

路易斯·奥利维拉·皮雷斯（Luis Oliveira Pires）| 巴赫拉姆·拉维（Bahram Lavi）| 若昂·罗伯托·贝尔蒂尼·朱尼奥尔（Jo?o Roberto Bertini Junior）| 丹尼斯·何塞·希奥泽尔（Denis José Schiozer）

• •
  导致机器学习预测失败的因素是输入数据的历史信息，而非模型架构本身
• •
  跨井相互作用和封闭现象需要超出速率数据范围的运营输入信息
• •
  仅使用全局平均绝对误差（MAE）无法评估具有动态特性的机器学习预测效果
• •
  管道设计对机器学习预测的可靠性影响大于算法选择