CN119443392A 基于ceemdan-sa-lstm的油井产油量预测方法 （西安石油大学）

基于CEEMDAN-SA-LSTM的油井产油量预测方法本发明提供了一种基于CEEMDAN_SA_LSTM油据集划分；4)利用CEEMDAN进行特征分解并利用将最终分量特征数据集输入至SA_LSTM模型中进明探讨了利用CEEMDAN_SA_LSTM模型的油井产油2Ai2)将步骤1)的规范数据集利用Boruta4)将步骤2)得到的训练数据集利用自适应噪声的完备集合经验模态分解(CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise，CEEMDAN)进行特征分5)将步骤3)得到的最终分量特征数据集输入至含有自注意力机制(Self_Attention7)根据训练所得的油井产油量预测模型，出平均绝对误差(MeanAbsoluteError，MAE)、均方根误差(RootMeanSquareError，2.根据权利要求1所述的基于CEEMDAN_SA_LSTM的油井产油量预测方法，其特征在于，3.根据权利要求2所述的基于CEEMDAN_SA_LSTM的油井产油量预测方法，其特征在于，4.根据权利要求3所述的基于CEEMDAN_SA_LSTM的油井产油量预测方法，其特征在于，5.根据权利要求4所述的基于CEEMDAN_SA_LSTM的油井产油量预测方法，其特征在于，后对数据的局部极大值点和极小值点分别进行三次样条插值，根据极大值点构造上包络36.根据权利要求5所述的基于CEEMDAN_SA_LSTM的油井产油量预测方法，其特征在于，5.2.2)输入门决定哪些新的信息将被存储到记忆单元中。输入门由两部分组成，7.根据权利要求6所述的基于CEEMDAN_SA_LSTM的油井产油量预测方法，其特征在于，8.根据权利要求7所述的基于CEEMDAN_SA_LSTM的油井产油量预测方法，其特征在于，4[0001]本发明属于石油行业油井产油量预测技术领域，具体涉及一种基于CEEMDAN_SA_网络结构，用来模拟人脑的学习过程，它包括了循环神经网络(RecurrentNeural[0004]由于油井产油量与多元特征序列信息呈非线性变化，随数据中的时空特征。引入自注意力机制来自动地学习并选择对产油量预测更重要的特征。通过给予不同的IMFs和Res不同的注意力权重，模型能够自适应地聚焦于最具信息量的分[0006]针对现有油井产油量预测的准确率问题，本发明提供一种基于CEEMDAN_SA_LSTM5[0009]2)将步骤1)的规范数据集利用Boruta算法对油井特征数[0011]4)将步骤3)得到的训练数据集利用自适应噪声的完备集合经验模态分解(CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise，CEEMDAN)[0012]5)将步骤4)得到的最终分量特征数据集输入至含有自注意力机制(Self_[0014]7)根据训练所得的油井产油量预测模型，使用独立的测计算出平均绝对误差(MeanAbsoluteError，MAE)、均方根误差(RootMeanSquare减去均值包络线，可得到IMF分量，重复此步骤，直至不能再次分解为止，可得到若干个6[0029]5.2)将上层的输出数据输入至LSTM模块中，用于捕捉序列的长时间依赖关系。Γft的计算公式如(5)式所示：78[0066]2)将步骤1)的规范数据集利用Boruta算法对油井特征数[0069]5)将步骤4)得到的最终分量特征数据集输入至SA_LSTM模型中，进行学习和模型[0071]7)根据训练所得的油井产油量预测模型，使用独立的测9个隐藏单元，第三层为Dropout层，用于在训练过程中随机丢弃输入数据中的一部分神经元，以防止过拟合。第四层为含有38个隐藏单元的LSTM。最后一层添加了一个全连接(Dense)层，具有50个神经元和ReLU(RectifiedLinearUnits)激活函数。使用均方误差LSTM、CEEMDAN_LSTM模型，不同模型采用同样特征数据集对油井产油量预测效果如表4所因此本实施例提出的方法可以很好地应用于油井产油量