基于数值模拟数据的MLP和LSTM神经网络对页岩气生产预测的比较研究
Xiaoou Fei1, Man Ye2, Zhou Du2
1School of Green Mining and Resource Engineering, Liaoning Petrochemical University, Fushun, Liaoning, China.
PloS one
|November 13, 2025
概括
准确的页岩气产量预测对于高效的水库开发至关重要. 长短期记忆 (LSTM) 神经网络在预测每日页岩气输出方面明显优于多层感知器 (MLP) 模型,显示出卓越的准确性.
科学领域:
- 石油工程是石油工程中的一个.
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 精确的页岩气产量预测对于优化水库开发和提高运营效率至关重要.
- 传统的方法往往与与非传统气体储库固有的复杂动态作斗争.
研究的目的:
- 开发和比较用于预测每日页岩气生产的深度学习模型.
- 评估多层感知器 (MLP) 和长短期记忆 (LSTM) 神经网络在这个任务中的有效性.
主要方法:
- 创建了一个数值模拟模型,以生成一个全面的生产预测数据库.
- 使用生成的数据构建和训练了两个深度学习模型MLP和LSTM.
- 模型性能与来自三个不同的场景的实际生产数据进行了验证.
主要成果:
- 根据MLP模型,相对误差在2.43%至6.36%之间.
- 该LSTM模型表现出卓越的准确性,相对误差明显较低,在0.42%至1.1%之间.
- LSTM的关门机制有效地捕获了对于动态建模至关重要的长期依赖关系.
结论:
- 深度学习技术,特别是LSTM网络,为页岩气产量预测提供了出色的概括性和工程适用性.
- 对于页岩气生产的复杂多尺度动态建模,LSTM网络比MLP更适合.
- 该研究强调了人工智能的潜力,以支持高效的非传统天然气储库开发.