近日，我校計(jì)算機(jī)學(xué)院潘少偉老師為第一作者、西安石油大學(xué)為第一署名單位，在國(guó)際SCI期刊《Energy》上發(fā)表題為《Oil well production prediction based on CNN-LSTM model with self-attention mechanism》的高水平論文。
該論文針對(duì)目前油井產(chǎn)量預(yù)測(cè)研究中存在的不足，提出了一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制的組合模型。在該模型中，使用卷積神經(jīng)網(wǎng)絡(luò)提取空間輸入數(shù)據(jù)的時(shí)間特征，利用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)提取相關(guān)信息，利用自注意力機(jī)制捕獲內(nèi)部相關(guān)性。對(duì)比傳統(tǒng)的機(jī)器學(xué)習(xí)方法，如線性回歸、支持向量機(jī)、隨機(jī)森林、XGBoost和反向傳播神經(jīng)網(wǎng)絡(luò)，與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法相比，該模型可以更全面地提取油井生產(chǎn)數(shù)據(jù)中隱藏的時(shí)空特征，可以更精確地挖掘油井生產(chǎn)數(shù)據(jù)的內(nèi)在相關(guān)性，從而提高油井生產(chǎn)預(yù)測(cè)的準(zhǔn)確性。
《Energy》是能源動(dòng)力領(lǐng)域國(guó)際Top期刊，影響因子為9，在中國(guó)科學(xué)院文獻(xiàn)情報(bào)中心期刊分區(qū)表中屬一區(qū)Top刊物。（2023年1月最新升級(jí)版）
論文鏈接：https://www.sciencedirect.com/science/article/abs/pii/S0360544223020959?via%3Dihub
