A machine learning method for evaluating shale gas production based on the TCN-PgInformer model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Since shale gas is a valuable energy resource, effective planning for its extraction and utilization depends on precise forecasting of gas well production. Conventional models need long computation time, a wide range of geological and fluid data, and suffer from unstable predictions. To develop a low-cost, intelligent, and reliable forecast system for shale gas production, a hybrid Temporal Convolutional Network-Policy Gradient Informer (TCN-PgInformer) model was constructed for multivariate production prediction research. This model is based on the Informer model of its own unique self-attention mechanism, which lowers the temporal complexity of conventional self-attention technique while increasing the model's accuracy. Meanwhile, to completely avoid the gradient vanishing problem, the dilated convolutions of TCN structure are employed to extract the long-term dependency relationships. Ultimately, a policy gradient (Pg) algorithm is introduced to enhance the parameter training speed. The results indicate that the daily gas production may be accurately predicted by TCN-PgInformer model. A detailed performance comparison was carried out among TCN-PgInformer, CNN, GRU and CNN-LSTM models in the literature. The comparison demonstrates that the suggested TCN-PgInformer model outperforms existing techniques. For four different gas production stages, the MAPE/RMSE error of other models is 2–12 times higher than that of the TCN-PgInformer model, while the R 2 accuracy of TCN-PgInformer model can be as high as 1 time higher than other models. Therefore, the designed model has excellent applicability, which offers reference and guidance for shale gas development.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle