Data-driven multidimensional static-dynamic models for the prediction of coalbed methane performance based on numerical models
Notice bibliographique
Résumé
The accurate prediction of coalbed methane (CBM) is often challenged by geological conditions, engineering technologies, and data gaps. However, with an interdisciplinary field application of intelligent algorithms, data-driven models can effectively predict its productivity characteristics. Here, this work develops data-driven models to predict CBM static and dynamic productivity. Based on the regression relationships of static datasets, models are developed based on intelligent algorithms including multiple linear regression, random forest, support vector regression, and gradient boosting regression (GBR). Due to the temporal variations and nonlinearity of dynamic datasets, models based on recurrent neural network, long short-term memory (LSTM), and gated recurrent unit (GRU) have been developed. The results show that GBR demonstrates the best performance according to the evaluation metrics. In importance permutation, GBR prioritizes matrix porosity, hydraulic fracture intrinsic permeability and fracture permeability, and these three parameters account for nearly 90% of its contributions. Both LSTM and GRU demonstrate strong prediction capabilities in dynamic productivity. Moreover, data-driven models require substantially less time computing. LSTM possesses stronger prediction performance than GRU in the gas adsorption mass and reservoir pressure field evolution. In conclusion, this work provides a multidimensional prediction and evaluation system for the productivity prediction of unconventional resources.
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 ».