用于操作参数的可解释机器学习优化（InterOpt）：高效页岩气开发案例研究
机器学习
2022-06-22 v1
摘要
本文提出了一种基于可解释机器学习的操作参数优化算法 InterOpt，并通过页岩气开发优化进行了演示。InterOpt 由三部分组成：使用神经网络在向量空间（即虚拟环境）中构建实际钻井和水力压裂过程的模拟器；应用可解释机器学习中的 Sharpley 值方法分析每口井中地质和操作参数的影响（即单井特征影响分析）；以及执行集合随机最大似然法（EnRML）来优化操作参数，以全面提高页岩气开发效率并降低平均成本。在实验中，InterOpt 根据每口井的具体地质条件提供了不同的钻井和压裂方案，最终在一个包含 104 口井的案例研究中实现了平均成本降低 9.7%。
引用
@article{arxiv.2206.09606,
title = {Interpretable machine learning optimization (InterOpt) for operational parameters: a case study of highly-efficient shale gas development},
author = {Yuntian Chen and Dongxiao Zhang and Qun Zhao and Dexun Liu},
journal= {arXiv preprint arXiv:2206.09606},
year = {2022}
}
备注
29 pages, 12 figures, 3 tables, 5 appendices