典型文献
基于机器学习的高含水期油井产量预测方法
文献摘要：
高含水期油井产量预测存在井况资料复杂,数据信息不完整等问题,故提出了结合三种机器学习算法的油井产量预测方法.通过梳理油井特征数据样本,构建数据清洗流程,建立形成高含水油井特征样本库,基于随机森林算法和XGBoost算法确定油田高含水期影响油井产量的主控因素.利用随机森林、XGBoost和BP神经网络算法进行单一模型的拟合和预测,通过选取适当的权值系数结合三种方法得到新的组合预测模型.研究表明:基于随机森林和XGBoost的算法模型提高了特征选择的稳定性和鲁棒性,并且组合预测模型方法比单一模型更精确预测了高含水X区块油井的月产量,与实际产量符合较好.该方法为高含水期油田油井的特征数据集的构建、特征提取及初期产量预测提供了新的思路.
文献关键词：
随机森林;XGBoost;产量预测;神经网络;组合预测模型
中图分类号：
作者姓名：
韩益东;尹洪军;徐国涵;桑昌
作者机构：
东北石油大学石油工程学院,黑龙江大庆 163318;提高油气采收率教育部重点实验室(东北石油大学),黑龙江大庆 163318
文献出处：
引用格式：
[1]韩益东;尹洪军;徐国涵;桑昌-.基于机器学习的高含水期油井产量预测方法)[J].河南科学,2022(10):1569-1575
A类：
B类：
基于机器学习,高含水期,油井产量,产量预测,机器学习算法,数据清洗,清洗流程,高含水油井,特征样本,样本库,随机森林算法,XGBoost,主控因素,神经网络算法,权值系数,三种方法,组合预测模型,算法模型,特征选择,模型方法,精确预测,实际产量,油田油井,特征数据集
AB值：
0.273122
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
