用于页岩气产量预测的领域自适应与物理约束迁移学习
机器学习
2023-12-19 v1 统计方法学
摘要
有效预测页岩气产量对于油藏的战略开发至关重要。然而，在新的页岩气区块中遇到了两个主要挑战：（1）由于数据不足导致的负迁移，以及（2）深度学习（DL）模型有限的可解释性。为了解决这些问题，我们提出了一种利用领域自适应和物理约束的新型迁移学习方法。该方法有效地利用源域的历史数据，从数据分布的角度减少负迁移，同时使用物理约束构建一个集成多种类型数据的稳健且可靠的预测模型。该方法首先将源域的产量数据划分为多个子域，从而增强数据多样性。然后使用最大均值差异（MMD）和全局平均距离度量来决定迁移的可行性。通过领域自适应，我们整合了所有可迁移的知识，从而得到一个更全面的目标模型。最后，通过将钻井、完井和地质数据作为物理约束纳入其中，我们开发了一个混合模型。该模型结合了多层感知机（MLP）和 Transformer（Transformer-MLP），旨在最大化可解释性。在中国西南地区的实验验证证实了该方法的有效性。
引用
@article{arxiv.2312.10920,
title = {Domain adaption and physical constrains transfer learning for shale gas production},
author = {Zhaozhong Yang and Liangjie Gou and Chao Min and Duo Yi and Xiaogang Li and Guoquan Wen},
journal= {arXiv preprint arXiv:2312.10920},
year = {2023}
}