深度学习与数据同化用于天然气井实时产量预测
机器学习
2018-02-16 v2 人工智能
流体动力学
地球物理
机器学习
摘要
由于成熟气井复杂的生命周期末期行为，其产气量的预测具有挑战性且对操作决策至关重要。在本文中，我们应用一种改进的深层 LSTM 模型来预测成熟气井的气流速率，包括输入参数中的不确定性。此外，由于系统随时间变化，并且为了提高预测的准确性和鲁棒性，使用集合卡尔曼滤波 (EnKF) 基于新观测来更新气流速率预测。所开发的方法在来自两口成熟产气井的数据上进行了测试，这些井的生产具有高度动态性并受盐沉积影响。结果表明，使用 EnKF 更新模型的流量预测比无 EnKF 模型更新方案的预测具有更好的 Jeffreys' J-散度。
引用
@article{arxiv.1802.05141,
title = {Deep Learning and Data Assimilation for Real-Time Production Prediction in Natural Gas Wells},
author = {Kelvin Loh and Pejman Shoeibi Omrani and Ruud van der Linden},
journal= {arXiv preprint arXiv:1802.05141},
year = {2018}
}
备注
Reduced length preprint submitted to IJCAI 2018 for review