已入深夜,您辛苦了!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,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

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 经济 宏观经济学 废物管理 数学分析
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
WizBLue完成签到,获得积分10
5秒前
xiangwang完成签到 ,获得积分10
8秒前
沉静一刀完成签到 ,获得积分10
8秒前
雷锋完成签到,获得积分10
11秒前
Mistletoe完成签到 ,获得积分10
12秒前
无聊的成风完成签到 ,获得积分10
12秒前
14秒前
pojian完成签到,获得积分10
15秒前
邓豪完成签到 ,获得积分10
16秒前
高大凌寒完成签到,获得积分10
16秒前
Wilson完成签到 ,获得积分10
16秒前
孙意冉完成签到,获得积分10
17秒前
zyjsunye完成签到 ,获得积分0
18秒前
Melody发布了新的文献求助10
19秒前
20秒前
蓝天完成签到,获得积分10
25秒前
芈冖发布了新的文献求助10
26秒前
中意完成签到 ,获得积分20
26秒前
29秒前
风趣的从梦完成签到,获得积分10
30秒前
酒醉的蝴蝶完成签到 ,获得积分10
31秒前
哈哈完成签到 ,获得积分10
31秒前
gf完成签到,获得积分10
34秒前
mkljl完成签到 ,获得积分10
35秒前
每天都很忙完成签到 ,获得积分10
37秒前
Ethan完成签到 ,获得积分0
38秒前
芈冖完成签到,获得积分10
40秒前
细腻的灵槐完成签到,获得积分10
43秒前
酷波er应助keep1997采纳,获得10
46秒前
LiuRuizhe完成签到,获得积分10
48秒前
如意的馒头完成签到 ,获得积分10
49秒前
薛定谔的谔完成签到,获得积分10
49秒前
Zeeki完成签到 ,获得积分10
50秒前
gf发布了新的文献求助10
52秒前
54秒前
害羞外套发布了新的文献求助20
55秒前
任性大米完成签到 ,获得积分10
55秒前
56秒前
57秒前
疯狂的芷卉完成签到 ,获得积分10
58秒前
高分求助中
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Handbook of Qualitative Cross-Cultural Research Methods 600
Chen Hansheng: China’s Last Romantic Revolutionary 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 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 3139375
求助须知:如何正确求助?哪些是违规求助? 2790295
关于积分的说明 7794840
捐赠科研通 2446748
什么是DOI,文献DOI怎么找? 1301351
科研通“疑难数据库(出版商)”最低求助积分说明 626153
版权声明 601141