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的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

An ensemble transfer learning strategy for production prediction of shale gas wells

集成学习 人工神经网络 油页岩 页岩气 学习迁移 生产(经济) 领域(数学分析) 计算机科学 人工智能 机器学习 工程类 数学 数学分析 宏观经济学 经济 废物管理
作者
Wente Niu,Yize Sun,Xiaowei Zhang,Jialiang Lu,Hualin Liu,Qiaojing Li,Ying Mu
出处
期刊:Energy [Elsevier]
卷期号:275: 127443-127443 被引量:7
标识
DOI:10.1016/j.energy.2023.127443
摘要

In order to overcome the training data insufficient problem of model for shale gas wells production prediction in new block, this study proposes a transfer learning strategy of improving neural network as the base learner based on the idea of ensemble learning, which is used for shale gas production prediction across formations/blocks. The proposed transfer learning model aims to improve the gas well production prediction performance of new blocks with limited gas well data. The base learner based on improved neural network tries to find the domain invariant feature extraction between source and target blocks through domain adaptation. Bagging algorithm, a parallel ensemble learning method, is used to combine multiple base models to improve the predictive performance of ensemble models. Then, the prediction model trained by the combined data of source and target domain can be directly applied to predict the production of shale gas wells in target domain. The validity of the model was verified on four shale gas well data sets. Results demonstrate that regardless of the degree of domain migration, the transfer learning model proposed in this study can extract domain invariant features by ensemble learning method, overcome the problem of domain migration between source domain and target domain data sets, and significantly improve the production prediction performance of shale gas wells. This work can effectively provide guidance for the production prediction of shale gas wells in new production blocks.
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
大幅提高文件上传限制,最高150M (2024-4-1)

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
顺心飞雪完成签到 ,获得积分10
37秒前
李爱国应助明烛天南采纳,获得10
1分钟前
小马甲应助ghx采纳,获得10
1分钟前
nadia完成签到,获得积分10
1分钟前
星辰大海应助科研通管家采纳,获得10
2分钟前
2分钟前
Jackie完成签到,获得积分10
2分钟前
更深的蓝发布了新的文献求助10
2分钟前
更深的蓝完成签到,获得积分10
2分钟前
在水一方应助yanhua采纳,获得10
2分钟前
2分钟前
ghx发布了新的文献求助10
2分钟前
寻道图强应助nadia采纳,获得30
2分钟前
3分钟前
我是老大应助ghx采纳,获得10
3分钟前
yanhua发布了新的文献求助10
3分钟前
3分钟前
Jackie发布了新的文献求助10
3分钟前
Jstar应助nadia采纳,获得30
3分钟前
Zoe完成签到 ,获得积分10
3分钟前
yanhua完成签到,获得积分20
4分钟前
4分钟前
ghx发布了新的文献求助10
4分钟前
蔡从安完成签到,获得积分20
4分钟前
ghx完成签到,获得积分10
5分钟前
小燕子完成签到 ,获得积分10
5分钟前
酷波er应助淡定硬币采纳,获得10
6分钟前
6分钟前
淡定硬币发布了新的文献求助10
7分钟前
7分钟前
SXW发布了新的文献求助10
7分钟前
SXW完成签到,获得积分20
8分钟前
daishuheng完成签到 ,获得积分10
8分钟前
领导范儿应助anqi6688采纳,获得10
9分钟前
严珍珍完成签到 ,获得积分10
10分钟前
调皮钻石完成签到 ,获得积分10
12分钟前
++完成签到 ,获得积分10
13分钟前
13分钟前
lovelife完成签到,获得积分10
14分钟前
14分钟前
高分求助中
The ACS Guide to Scholarly Communication 2500
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Achieving 99% link uptime on a fleet of 100G space laser inter-satellite links in LEO 1000
Pharmacogenomics: Applications to Patient Care, Third Edition 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Ethnicities: Media, Health, and Coping 700
Ожившие листья и блуждающие цветы. Практическое руководство по содержанию богомолов [Alive leaves and wandering flowers. A practical guide for keeping praying mantises] 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 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 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3090960
求助须知:如何正确求助?哪些是违规求助? 2743295
关于积分的说明 7572896
捐赠科研通 2393932
什么是DOI,文献DOI怎么找? 1269529
科研通“疑难数据库(出版商)”最低求助积分说明 614345
版权声明 598756