Shale oil production time series forecasting for multi-fractured horizontal wells with optimized artificial neural networks integrating multi-source data
Notice bibliographique
Résumé
Time series forecasting is crucial for guiding capital investment, production enhancement, and optimization in the oil and gas industry. However, conventional data-driven approaches for the production prediction fail to meet the industry's criteria. This paper develops a hybrid model combining bidirectional long short-term memory (Bi-LSTM) or bidirectional gated recurrent unit (Bi-GRU) with multi-layer perceptron (MLP) and self-attention (SA), termed Bi-LSTM/GRU-MLP-SA, to predict shale oil production rates. The SHapley Additive exPlanations (SHAP) method is applied to enhance the model's interpretability. The proposed model architecture consists of five key components: input layers, Bi-LSTM/GRU layers, MLP layers, SA layers, and output layers. The Bi-LSTM/GRU captures temporal dependencies from time-series data, while the MLP captures relevant information from non-sequential data. The SA mechanism allows the model to focus on the most salient parts of the data. Compared to traditional single-technique models like standalone Bi-LSTM/GRU, Bi-LSTM/GRU with SA (Bi-LSTM/GRU-SA), and Bi-LSTM/GRU combined with MLP (Bi-LSTM/GRU-MLP), our Bi-LSTM/GRU-MLP-SA model demonstrates superior performance. Specifically, the Bi-GRU-MLP-SA variant achieved an average root mean square error (RMSE) of 0.2763, a mean absolute error (MAE) of 0.2192, and a mean absolute percentage error (MAPE) of 0.0490, indicating a higher accuracy and stability. In summary, the Bi-GRU-MLP-SA model is the most effective among the evaluated methods for identifying underlying trends in shale oil production and accurately predicting production levels.
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 | 0,000 |
| 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 ».