清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Hydrocarbon production dynamics forecasting using machine learning: A state-of-the-art review

计算机科学 人工智能 人工神经网络 机器学习 深度学习 生产(经济) 时间序列 大数据 数据挖掘 宏观经济学 经济
作者
Bin Liang,Jiang Liu,Junyu You,Jin Jia,Yi Pan,Hoonyoung Jeong
出处
期刊:Fuel [Elsevier BV]
卷期号:337: 127067-127067 被引量:20
标识
DOI:10.1016/j.fuel.2022.127067
摘要

Accurate prediction of hydrocarbon production is crucial for the oil and gas industry. However, the strong heterogeneity of underground formation, the inconsistency in oil–gas-water distribution, and the complex flow mechanisms make hydrocarbon production forecasting (HPF) difficult, which leads to a high level of uncertainty in the prediction results. The explosion of machine learning (ML) methodologies that are capable of analyzing big data shed new light on HPF using production data. In this article, an in-depth review is provided regarding HPF using ML methodologies. Firstly, the merits and drawbacks of traditional HPF methods are analyzed and summarized. Then, the applications of ML algorithms in HPF are reviewed in detail, especially concentrating on artificial neural network, support vector machine, and ensemble learning. For each algorithm, the basic theory and its variants are first introduced, and its applications in HPF are comprehensively demonstrated subsequently. Finally, this article presents the challenge and prospects of machine-learning-based HPF. Sophisticated ML proxy models can be constructed and employed to deal with an extended type of input data such that improving the efficacy of data utilization. On the other hand, deep learning models designed to handle time-series data can gain more attention. Modeling approaches for multivariate time-series hydrocarbon production data using deep neural networks with similar functionality to LSTM may lead to more accurate and computationally efficient production forecasting.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
ZIS发布了新的文献求助10
4秒前
孤独听雨的猫完成签到 ,获得积分10
8秒前
harden9159完成签到,获得积分10
12秒前
ys1008完成签到,获得积分10
15秒前
文献蚂蚁完成签到,获得积分10
15秒前
美满惜寒完成签到,获得积分10
15秒前
真的OK完成签到,获得积分10
15秒前
啪嗒大白球完成签到,获得积分10
15秒前
洋芋饭饭完成签到,获得积分10
15秒前
CGBIO完成签到,获得积分10
15秒前
BMG完成签到,获得积分10
16秒前
朝夕之晖完成签到,获得积分10
16秒前
嫁个养熊猫的完成签到 ,获得积分10
23秒前
老迟到的羊完成签到 ,获得积分10
26秒前
大模型应助科研通管家采纳,获得10
27秒前
氕氘氚完成签到 ,获得积分10
39秒前
医学耗材完成签到 ,获得积分10
43秒前
毕业就集采的苦命人完成签到 ,获得积分10
54秒前
且行丶且努力完成签到,获得积分10
57秒前
ranj完成签到,获得积分10
1分钟前
DJ_Tokyo完成签到,获得积分0
1分钟前
墨言无殇完成签到 ,获得积分10
1分钟前
1分钟前
CF完成签到 ,获得积分10
1分钟前
tmobiusx完成签到,获得积分10
1分钟前
mc完成签到 ,获得积分10
1分钟前
我要读博士完成签到 ,获得积分10
2分钟前
辣小扬完成签到 ,获得积分10
2分钟前
2分钟前
gwbk完成签到,获得积分10
2分钟前
jozz完成签到 ,获得积分10
2分钟前
HCCha完成签到,获得积分10
2分钟前
badgerwithfisher完成签到,获得积分10
2分钟前
段誉完成签到 ,获得积分10
2分钟前
虞无声完成签到,获得积分10
3分钟前
3分钟前
雪妮完成签到 ,获得积分10
3分钟前
fogsea完成签到,获得积分0
3分钟前
apckkk完成签到 ,获得积分10
3分钟前
冰霜雨露完成签到 ,获得积分10
3分钟前
高分求助中
A new approach to the extrapolation of accelerated life test data 1000
Cognitive Neuroscience: The Biology of the Mind 1000
Technical Brochure TB 814: LPIT applications in HV gas insulated switchgear 1000
Immigrant Incorporation in East Asian Democracies 600
Nucleophilic substitution in azasydnone-modified dinitroanisoles 500
不知道标题是什么 500
A Preliminary Study on Correlation Between Independent Components of Facial Thermal Images and Subjective Assessment of Chronic Stress 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3968521
求助须知:如何正确求助?哪些是违规求助? 3513358
关于积分的说明 11167301
捐赠科研通 3248700
什么是DOI,文献DOI怎么找? 1794453
邀请新用户注册赠送积分活动 875030
科研通“疑难数据库(出版商)”最低求助积分说明 804664