Forecasting monthly gas field production based on the CNN-LSTM model

计算机科学 自回归积分移动平均 领域(数学) 卷积神经网络 人工智能 条件随机场 生产(经济) 循环神经网络 油藏计算 随机森林 深度学习 天然气田 人工神经网络 机器学习 模式识别(心理学) 时间序列 数学 天然气 工程类 宏观经济学 经济 纯数学 废物管理
作者
Wenshu Zha,Yuping Liu,Yong Wan,Ruilan Luo,Daolun Li,Sen Yang,Yan Xu
出处
期刊:Energy [Elsevier]
卷期号:260: 124889-124889 被引量:77
标识
DOI:10.1016/j.energy.2022.124889
摘要

Accurate prediction of gas field production is an important task for reservoir engineers, which is challenging due to many unknown reservoir parameters. Aiming to have a low-cost, intelligent, and robust method to predict gas and water production for a given gas reservoir, this paper proposes a CNN-LSTM model to predict gas field production based on a gas field in southwest China. The convolutional neural network (CNN) has a feature extraction ability, and the long short-term memory network (LSTM) can learn sequence dependence. By the combination of the two abilities, the CNN-LSTM model can describe the changing trend of gas field production. A new prediction strategy named partly unknown recursive prediction strategy (PURPS) is proposed that some input features are estimated using the predicted gas and water production according to known equations. The results show that the CNN-LSTM model can effectively predict gas field production. A detailed performance comparison was conducted between CNN-LSTM and other models. The comparison shows that the proposed CNN-LSTM model outperforms the existing methods. The monthly gas production average MAPE errors of the three different stages are CNN-LSTM (7.7%), RNN (18%), Random Forest (23.17%), ARIMA (25.3%), DNN (28.3%), Support Vector Machine (28.3%), CNN (41%), and LSTM (46%).
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
金扇扇完成签到 ,获得积分10
2秒前
Judy完成签到 ,获得积分10
2秒前
2秒前
小朴完成签到 ,获得积分10
3秒前
向响响完成签到 ,获得积分10
3秒前
阳光完成签到,获得积分10
3秒前
3秒前
小柒完成签到 ,获得积分10
3秒前
klicking完成签到,获得积分10
4秒前
wpybird完成签到,获得积分10
5秒前
冰冰完成签到,获得积分10
7秒前
菜菜完成签到 ,获得积分10
7秒前
美满夏云发布了新的文献求助20
7秒前
CodeCraft应助FMK采纳,获得10
8秒前
lvyan完成签到,获得积分10
8秒前
9秒前
Lucky_Life发布了新的文献求助10
9秒前
9秒前
落晨完成签到 ,获得积分10
10秒前
健壮数据线完成签到,获得积分10
10秒前
柚子完成签到,获得积分10
11秒前
ding应助cu采纳,获得10
11秒前
胡杨完成签到,获得积分10
12秒前
shinysparrow应助zhaoxiaonuan采纳,获得10
12秒前
24K纯帅完成签到,获得积分10
12秒前
13秒前
13秒前
兔兜完成签到,获得积分10
14秒前
明亮夏旋完成签到,获得积分10
14秒前
Alienwalker完成签到 ,获得积分10
15秒前
阮人雄完成签到,获得积分10
15秒前
Michael完成签到,获得积分10
17秒前
Mike001发布了新的文献求助10
17秒前
Tonald Yang发布了新的文献求助10
17秒前
Ehgnix完成签到,获得积分10
17秒前
18秒前
Mike001发布了新的文献求助10
18秒前
五月发布了新的文献求助10
18秒前
翁沛山完成签到 ,获得积分10
19秒前
Mike001发布了新的文献求助10
20秒前
高分求助中
The three stars each : the Astrolabes and related texts 1070
Manual of Clinical Microbiology, 4 Volume Set (ASM Books) 13th Edition 1000
Sport in der Antike 800
De arte gymnastica. The art of gymnastics 600
少脉山油柑叶的化学成分研究 530
Sport in der Antike Hardcover – March 1, 2015 500
Boris Pesce - Gli impiegati della Fiat dal 1955 al 1999 un percorso nella memoria 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 有机化学 工程类 生物化学 纳米技术 物理 内科学 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 电极 光电子学 量子力学
热门帖子
关注 科研通微信公众号,转发送积分 2407694
求助须知:如何正确求助?哪些是违规求助? 2104332
关于积分的说明 5311730
捐赠科研通 1831920
什么是DOI,文献DOI怎么找? 912791
版权声明 560691
科研通“疑难数据库(出版商)”最低求助积分说明 488060