Ein tiefes gated rekurrentes neuronales Netzwerk zur Vorhersage der Erdölproduktion

Die Vorhersage der Erdölproduktion spielt eine entscheidende Rolle im Bereich der Erdöltechnik und trägt zur Unterstützung von Ingenieuren im Management von Erdölreservoirs bei. Die zuverlässige Vorhersage der Produktion ist jedoch schwierig zu erreichen, insbesondere im Hinblick auf die Zunahme digitaler Öl-Big-Daten. Obwohl eine erhebliche Menge an Arbeiten in der Literatur im Zusammenhang mit der Verwendung von maschinellem Lernen im Öl- und Gassektor berichtet wurde, haben traditionelle Vorhersagemethoden begrenztes Potenzial, um die komplexen Merkmale von Zeitseriendaten darzustellen. Genauer gesagt ist eine flache Maschine in einem hochdimensionalen, nichtlinearen multivariaten Zeitserien-Datensatz nicht in der Lage, die Abhängigkeiten zwischen vergangenen und zukünftigen Werten abzuleiten. In diesem Zusammenhang wird in dieser Arbeit ein neuartiges Vorhersagemodell für die Erdölproduktion vorgeschlagen. Das Modell ist ein tief-gated rekurrentes neuronales Netzwerk, das aus mehreren versteckten Schichten besteht, wobei jede Schicht eine Anzahl von Knoten hat. Das vorgeschlagene Modell hat eine Architektur mit geringer Komplexität und die Kapazität, Zeitreihendatensätze mit langen Intervallen zu verfolgen. Um die Robustheit unseres Modells zu bewerten, wurde die vorgeschlagene Technik mit verschiedenen Standardansätzen verglichen. Die umfangreichen empirischen Ergebnisse zeigen, dass das vorgeschlagene Modell bestehende Ansätze übertrifft.