用于时间序列石油产量预测的高级深度回归模型
机器学习
2023-08-31 v1
摘要
全球石油需求快速增长，预计到 2040 年将达到每日 1.063 亿桶。因此，碳氢化合物开采行业预测其产量以优化运营并避免损失至关重要。大企业已意识到，为此利用深度学习（DL）的力量以及来自各油井的海量数据，可节省大量运营成本并减少不必要的环境影响。在此方向上，研究者已提出使用常规机器学习（ML）技术进行石油产量预测的模型。然而，这些技术不适用于该问题，因为它们无法捕捉时间序列数据中的历史模式，导致预测不准确。本研究旨在通过开发使用序列卷积和长短期记忆（LSTM）单元的高级数据驱动回归模型来克服这些问题。我们进行了详尽分析以选择最优序列长度、模型超参数和跨井数据集构成，从而构建高度泛化的鲁棒模型。在 Volve 油田数据上的综合实验研究验证了所提模型。结果表明，基于 LSTM 的序列学习模型比一维卷积神经网络（CNN）能更好地预测石油产量，其平均绝对误差（MAE）和 R2 分数分别为 111.16 和 0.98。研究还发现，基于 LSTM 的模型优于所有现有的最先进方案，相比本工作中作为基线模型的标准线性回归实现了 37% 的提升。
引用
@article{arxiv.2308.16105,
title = {Advanced Deep Regression Models for Forecasting Time Series Oil Production},
author = {Siavash Hosseini and Thangarajah Akilan},
journal= {arXiv preprint arXiv:2308.16105},
year = {2023}
}