以被动学习应对虚拟流量计应用中的非平稳性

由于计算复杂度低以及模型开发与维护成本低，稳态过程模型在虚拟流量计应用中很常见。然而，由于所建模底层过程固有的非平稳性，稳态模型的预测性能通常随时间退化。很少有研究调查学习方法如何应用于维持稳态虚拟流量计的预测精度。本文探讨被动学习（即模型频繁校准到新数据）作为应对非平稳性并改善长期性能的方法。被动学习的一个优势是与工业中使用的模型兼容。两种被动学习方法——周期性批量学习和在线学习——以不同的校准频率应用于训练虚拟流量计。六种不同类型的模型（从数据驱动到第一性原理）在来自10口石油井的历史生产数据上训练。结果有两方面：第一，在测量频繁到达的情况下，频繁的模型更新随时间维持了优异的预测性能；第二，在测量间歇且稀少到达的情况下，频繁更新加上专家知识的利用对于提高性能精度至关重要。该调查可能引起为非平稳过程（如虚拟流量计）开发软测量专家的 interest。