Forecasting Petroleum Production Using the Time-Series Prediction of Artificial Neural Network
Notice bibliographique
Résumé
The purpose of this paper is to present a special back-propagation neural network (BPNN) with two techniques of the optimal learning time count (OLTC) and the time-series prediction (TSP) for forecasting petroleum production in Chinese oilfields, as well as algorithm applicability. In general, when different algorithms are used to solve a real-world problem, they often produce different solution accuracies, and an algorithm is used to solve real-world problems, it often produces different solution accuracies. Toward this issue, the solution accuracy is expressed with the total mean absolute relative residual for all samples, R (%); and it is proposed that an algorithm is applicable if R (%) ≤ 5 , otherwise this algorithm is inapplicable. Two case studies of China have been used to validate the proposed approach. The application results of this special BPNN are R (%) = 2.18 in Case study 1 while R (%) = 2.05 in Case study 2. From these results, it is concluded that: (a) this special BPNN for forecasting petroleum production in Chinese oilfields is feasible and practical; and (b) the definition of solution accuracy R (%), and the threshold of algorithm applicability ( R (%) ≤ 5 ) for an algorithm, are feasible and practical, too.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».