基于SAE特征优选和Bagging集成学习的油藏初期产能预测AET-电子技术应用-最丰富的电子设计资源平台

基于SAE特征优选和Bagging集成学习的油藏初期产能预测
所属分类：技术论文
上传者：wwei
文档大小：4148 K
标签：稀疏自编码器特征选择集成学习
所需积分：0分积分不够怎么办？
文档介绍：油藏初期产能受地质、工程和开发等多种因素影响，是一种复杂的非线性变化时间序列，传统采用单一模型进行预测的方法预测精度较低，数据适应能力较弱。提出一种基于稀疏自编码器（Sparse Auto-Encoder， SAE）和集成学习的油藏初期产能预测模型。首先利用SAE对影响初期产量的多种因素进行分析，自动提取含油饱和度、射孔段有效厚度、压裂加砂量、加砂强度和能量保持状态5维特征作为主控因素，然后分别采用线性回归（Linear Regression， LR）、支持向量回归（Support Vector Regression， SVR）和长短时记忆神经网络（Long Short-Term Memory， LSTM）3种方法建立预测模型进行初产预测，最后利用Bagging集成学习对3种方法的预测结果进行综合集成，从而获得最终的油藏初期产能预测结果。采用某特低渗油田实际数据开展验证试验，结果表明相对于单一LR、SVR和LSTM方法，所提方法的预测精度更高，数据适应能更强，具有较高的应用前景。
现在下载
VIP会员，AET专家下载不扣分；重复下载不扣分，本人上传资源不扣分。