基于深度森林算法的油井产量预测

摘要：

为了克服传统机器学习算法产量预测模型的缺点,以深度森林算法理论为基础,综合油井相关各项数据,建立了油井产量预测新模型.首先应用K最邻近算法(K-nearest neighbor,KNN)和Z-Score标准化方法对油井相关数据进行预处理,利用平均不纯度减少(mean decrease impurity,MDI)特征选择方法选择对油井产量影响最大的特征向量,然后将选出的特征向量作为深度森林模型的输入变量,建立深度森林产量预测模型,利用网格化搜索优化模型参数,最后在测试集上运行模型,对模型性能进行评估.研究结果表明,相对于BP(back propogation)神经网络等传统机器学习算法模型,深度森林模型的产量预测精度更高,可以准确预测油井产量,同时相对于深度神经网络等复杂学习算法,该算法参数少、调参及应用简单,为油井产量预测提供了一种新的方法和思路.

关键词：深度森林、产量预测、特征选择、机器学习

所属期刊栏目：22

分类号：TE328(油气田开发与开采)

资助基金：中国石油天然气集团有限公司-中国石油大学北京战略合作科技专项ZLZX2020-02

在线出版日期：2022-05-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：4327-4334