一种用于虚拟流量计与预测的机器学习方法
神经与进化计算
2018-02-16 v1
摘要
我们关注油气生产过程中井与管道内多相流速的鲁棒且准确的预测。在实践中，对流速进行物理测量的可能性常常受限；此外，基于系统先前的行为来估计多相流速的未来值是可取的。在这项工作中，我们证明长短期记忆（LSTM）循环人工网络不仅能够准确估计当前时刻的多相流速（即充当虚拟流量计），还能够对一系列未来时刻的流速进行预测。对于一个合成的严重段塞流案例，LSTM 预测与水动力学建模结果相比具有优势。针对一个可变流速井测试的现实含噪数据集，LSTM 结果表明该模型也能成功预测具有变化流动模式的系统的多相流速。
引用
@article{arxiv.1802.05698,
title = {A Machine Learning Approach for Virtual Flow Metering and Forecasting},
author = {Nikolai Andrianov},
journal= {arXiv preprint arXiv:1802.05698},
year = {2018}
}