为了提升煤层气产量的预测精度,提出融合注意力(Attention)机制并结合卷积神经网络(convolutional neural networks,CNN)和长短期记忆神经网络(long short term memory,LSTM)的煤层气产量动态预测模型。利用随机森林变量筛选方法,确定...为了提升煤层气产量的预测精度,提出融合注意力(Attention)机制并结合卷积神经网络(convolutional neural networks,CNN)和长短期记忆神经网络(long short term memory,LSTM)的煤层气产量动态预测模型。利用随机森林变量筛选方法,确定井底压力、动液面高度、套压、冲次为排采过程中影响煤层气产量的主控因素;利用CNN信息提取优势,提取煤层气排采数据的特征向量,并将特征向量作为LSTM网络的输入;再将LSTM隐含层融合注意力机制提取重要信息权重,有效解决信息长期依赖性和信息丢失的问题。实验结果表明:融合注意力机制的CNN-LSTM煤层气产量动态预测模型各方面均表现较优。具体表现为:模型预测性能较好,利用标准的LSTM模型、无注意力机制的CNN-LSTM模型、随机森林回归模型、高斯过程回归模型对比预测,改进后的煤层气产量预测模型精度最高,与标准的LSTM模型相比,预测精度提升了3%~4%且复杂度区别较小;泛化性能较优,预测同一区块不同生产天数的6口煤层气井产量时,预测60 d日产气量的平均相对误差均小于5%,预测200 d日产气量的平均相对误差均小于8%。展开更多
文摘为了提升煤层气产量的预测精度,提出融合注意力(Attention)机制并结合卷积神经网络(convolutional neural networks,CNN)和长短期记忆神经网络(long short term memory,LSTM)的煤层气产量动态预测模型。利用随机森林变量筛选方法,确定井底压力、动液面高度、套压、冲次为排采过程中影响煤层气产量的主控因素;利用CNN信息提取优势,提取煤层气排采数据的特征向量,并将特征向量作为LSTM网络的输入;再将LSTM隐含层融合注意力机制提取重要信息权重,有效解决信息长期依赖性和信息丢失的问题。实验结果表明:融合注意力机制的CNN-LSTM煤层气产量动态预测模型各方面均表现较优。具体表现为:模型预测性能较好,利用标准的LSTM模型、无注意力机制的CNN-LSTM模型、随机森林回归模型、高斯过程回归模型对比预测,改进后的煤层气产量预测模型精度最高,与标准的LSTM模型相比,预测精度提升了3%~4%且复杂度区别较小;泛化性能较优,预测同一区块不同生产天数的6口煤层气井产量时,预测60 d日产气量的平均相对误差均小于5%,预测200 d日产气量的平均相对误差均小于8%。
