面向虚拟流量计的多任务学习
机器学习
2024-11-08 v2
摘要
虚拟流量计（VFM）是一种经济高效且非侵入式的技术，用于推断石油资产中的多相流率。关于流率的推断是运营商广泛依赖的决策支持系统的基础。数据驱动的 VFM 以机器学习模型替代机理模型，因其有望降低维护成本而近期受到关注。尽管文献中报道了小样本研究中的优异性能，但数据驱动 VFM 的鲁棒性仍存在相当大的疑虑。本文提出一种用于数据驱动 VFM 的新多任务学习（MTL）架构。我们的方法与此前方法的不同之处在于其能够实现跨油气井的学习。我们通过建模来自四个石油资产的 55 口井来研究该方法，并将结果与两个单任务基线模型比较。我们的结果表明，MTL 在不牺牲性能的前提下提升了相对于单任务方法的鲁棒性。对于单任务架构表现不佳的资产，MTL 平均带来了 25–50% 的误差降低。
引用
@article{arxiv.2103.08713,
title = {Multi-task learning for virtual flow metering},
author = {Anders T. Sandnes and Bjarne Grimstad and Odd Kolbjørnsen},
journal= {arXiv preprint arXiv:2103.08713},
year = {2024}
}
备注
23 pages, 11 figures