专注智能油藏储量预测的深度时空注意力模型

发布时间：2022-01-10 02:15

　　现有油藏储量预测方法的精度远不能满足实际应用的需求。受循环神经网络和注意力机制的启发,提出一种专注智能油藏储量预测的深度时空注意力模型。该模型通过时间注意力模型来捕获输入数据之间的关键信息,空间注意力模型捕获隐藏状态之间的关系紧密程度,能够缓解数据波动对预测结果的不利影响,从而大幅减小预测误差。结果表明,相比传统方法和已有的深度学习方法,该模型预测精度有显著提高,为今后油藏储量预测提供一种更优的选择。 

【文章来源】：中国石油大学学报(自然科学版). 2020,44(04)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

深度时空注意力模型网络结构示意图

图2是在010301区块上的拟合效果。为了更好地观察试验效果,从5种对比方法中挑选2种比较有代表性的方法作为对比,即传统方法中目前效果最好的原始曲线方法和目前为止深度学习方法中效果最好的LSTM_att方法(只用一个时间注意力机制的LSTM方法,是本试验的消融对比试验)。从图2中可以观察到,几种方法预测曲线基本能够把握住数据总体的趋势走向,与传统的曲线拟合方法相比,深度学习方法效果明显更好,能够很好的消除某一年份的数值波动对之后年份的影响。本文中提出的att2方法(红色曲线)结果明显优于LSTM_att方法(蓝色曲线),尤其是在预测的稳定性上,取得目前已知的最优结果,充分证明了该方法的有效性。6 结束语


本文编号：3579867