Production Prediction(생산 예측)란 무엇입니까?
Production Prediction 생산 예측 - In order to establish the corresponding quantitative calculation model for geometric size of acid etched wormholes, three-dimensional competitive distribution of different wormholes, and production prediction, also to achieve the quantitative optimization of treatment parameters for different wells and improve oil and gas production, firstly, we designed and completed indoor core etched experiments and CT scanning technology to obtain the true three-dimensional morphology of linear acid etched wormholes. [1] This research can provide some new insights for the production prediction of shale gas reservoir after fracturing. [2] Understanding the status and the relative content of water in shale is of great significance for shale gas and oil reserve estimations and production predictions. [3] Uncertainty and risk analysis have been carried out to have range of solution for production prediction and CO2 storage. [4] This study aims to understand the mechanism of SI behavior and help to improve the accuracy of production prediction. [5] The production prediction of an oil well is of great significance for realizing the intelligent monitoring of oil wells and improving oil recovery. [6] Overall, these three effects have great influence on the development of the dual-porosity tight gas reservoir, which should be considered in the production prediction. [7] Calculation method of production prediction is presented by combining with material balance equation of the closed gas reservoir. [8] The study results show that with the injection of cold fracturing fluid, hydraulic fracture propagation is decelerated, and production prediction is thus lessened compared with the case ignoring temperature effect. [9] The large-scale volume fracturing development of shale oil horizontal wells, and the production is affected by seasonal cycle and emergencies, resulting in the complexity of production prediction. [10] A data-space inversion (DSI) method has been recently proposed and successfully applied to the history matching and production prediction of reservoirs. [11] Therefore, sulfur deposition is crucial for the production prediction and inflow profile along the horizontal well in heterogeneous sulfur gas reservoirs. [12] Understanding how cause-and-effect relationships between parent and child wells differ offers a unique perspective into production behavior and consequently provides better insights into infill wells placement and production prediction. [13] Afterwards, model validations and production predictions were performed. [14] The main contribution of this paper is the provision of a simple yet versatile semi-analytical model for production prediction and analysis with the consideration of fracture networks, FFIFD, and two-phase flow. [15] In this paper, we integrate the numerical simulation model with DSI method for rapid history matching and production prediction for steam flooding reservoir. [16] Understanding spatiotemporal dynamics of cotton cultivation patterns is an essential input to cotton farming management, production prediction and policy formulations. [17] So that the results of this study can be a consideration to determine the average amount in creating TMG Keywords: Production, Production Prediction, Fuzzy Tsukamoto, Elephant Eye Eggs. [18] , Gramineae) in a hydroponic system, to provide information to farmers and decision makers by using Artificial Neural Network (ANN) Model for production prediction. [19] For the purpose of verifying the effectiveness of the proposed method, the AE-ELM model has been experimented on the production prediction of the pure terephthalic acid (PTA). [20] In practice, the posterior ensemble tends to underestimate the uncertainty range in the parameter values and production predictions. [21] Aiming at the difficulty of coalbed methane dessert discrimination and production prediction, a method of coal-bed methane production prediction based on BP neural network is proposed in this paper. [22] Then, we choose and simulate representative models from the cluster groups to compare errors of production predictions with historical observation data. [23] ResultsOur study revealed a significant improvement of metabolite consumption/production predictions when S-GPRs are implemented. [24] The simulation of fracture propagation is based on the extended finite element method (XFEM), which helps to calculate aspects of the fractures and the SRV; we imported the results into a production analysis model as the initial conditions for production prediction. [25] The methodology here is convenient, simple, and practical, and it is well applied in the reservoir evaluation and production prediction of Carboniferous carbonate reservoirs in this block. [26] Waste-production predictions for the future demonstration fusion power plant (DEMO) are necessary to produce an accurate picture of the likely environmental and economic costs of radioactive waste disposal at end-of-life. [27] The results show that the MNH model can provide insights into flow mechanisms and production prediction for a multi-stage fractured horizontal well in shale gas reservoirs. [28] It is therefore extremely important to accurately adjust the aquifer parameters during history matching to enable a reliable aquifer model to be built which, in turn, can be used for production predictions [1][2]. [29] Production prediction under such conditions should be carried out continuously, which is possible because there is more empirical data and access to data. [30]산성 에칭된 웜홀의 기하학적 크기, 다양한 웜홀의 3차원 경쟁 분포 및 생산 예측에 대한 해당 정량적 계산 모델을 확립하기 위해, 또한 상이한 웰에 대한 처리 매개변수의 정량적 최적화를 달성하고 오일 및 가스 생산을 개선하기 위해 먼저 , 우리는 선형 산성 에칭 웜홀의 진정한 3차원 형태를 얻기 위해 실내 코어 에칭 실험과 CT 스캐닝 기술을 설계하고 완료했습니다. [1] 이 연구는 파쇄 후 셰일 가스 저장소의 생산 예측에 대한 몇 가지 새로운 통찰력을 제공할 수 있습니다. [2] 셰일 내 물의 상태와 상대적 함량을 이해하는 것은 셰일 가스 및 석유 매장량 추정 및 생산 예측에 매우 중요합니다. [3] 생산 예측 및 CO2 저장을 위한 다양한 솔루션을 갖기 위해 불확실성 및 위험 분석을 수행했습니다. [4] 이 연구는 SI 행동의 메커니즘을 이해하고 생산 예측의 정확성을 향상시키는 데 도움이 되는 것을 목표로 합니다. [5] 유정의 생산 예측은 유정의 지능형 모니터링을 실현하고 유정 회수를 개선하는 데 매우 중요합니다. [6] 전반적으로 이 세 가지 효과는 이중 다공성 기밀 가스 저장소의 개발에 큰 영향을 미치며, 이는 생산 예측에서 고려해야 합니다. [7] 생산 예측의 계산 방법은 폐쇄 가스 저장소의 물질 균형 방정식과 결합하여 제시됩니다. [8] 연구 결과에 따르면 저온 파쇄 유체의 주입으로 수압 파단 전파가 감속되어 온도 영향을 무시하는 경우에 비해 생산 예측이 감소하는 것으로 나타났습니다. [9] 셰일 오일 수평 유정의 대규모 체적 파쇄 개발 및 생산은 계절적 사이클 및 비상 사태의 영향을 받아 생산 예측의 복잡성을 초래합니다. [10] 최근 DSI(data-space inversion) 방법이 제안되어 저수지의 이력 매칭 및 생산 예측에 성공적으로 적용되었습니다. [11] 따라서 황 침전은 이질적인 유황 가스 저장소의 수평 유정을 따라 생산 예측 및 유입 프로파일에 중요합니다. [12] 상위 유정과 하위 유정 사이의 인과 관계가 어떻게 다른지 이해하면 생산 행동에 대한 고유한 관점을 제공하고 결과적으로 충전 유정 배치 및 생산 예측에 대한 더 나은 통찰력을 제공합니다. [13] 그 후, 모델 검증 및 생산 예측이 수행되었습니다. [14] 이 논문의 주요 기여는 파괴 네트워크, FFIFD 및 2상 흐름을 고려하여 생산 예측 및 분석을 위한 간단하지만 다양한 반해석 모델을 제공한 것입니다. [15] 본 논문에서는 증기 범람 저수지의 신속한 이력 매칭 및 생산 예측을 위해 수치 시뮬레이션 모델을 DSI 방법과 통합합니다. [16] 면화 재배 패턴의 시공간 역학을 이해하는 것은 면화 재배 관리, 생산 예측 및 정책 수립에 필수적인 입력입니다. [17] 본 연구의 결과가 TMG Keywords: 생산, 생산 예측, 퍼지 Tsukamoto, Elephant Eye Eggs 생성 시 평균량을 결정하는 데 고려될 수 있도록. [18] , Gramineae)를 수경법 시스템에서 생산 예측에 인공 신경망(ANN) 모델을 사용하여 농부와 의사 결정자에게 정보를 제공합니다. [19] 제안된 방법의 효과를 검증하기 위해 순수 테레프탈산(PTA)의 생산 예측에 대해 AE-ELM 모델을 실험하였다. [20] 실제로 사후 앙상블은 매개변수 값과 생산 예측의 불확실성 범위를 과소평가하는 경향이 있습니다. [21] 본 논문에서는 석탄층 메탄 디저트 식별 및 생산 예측의 어려움을 목표로 BP 신경망을 기반으로 한 석탄층 메탄 생산 예측 방법을 제안한다. [22] 그런 다음 클러스터 그룹에서 대표 모델을 선택하고 시뮬레이션하여 생산 예측의 오류를 과거 관측 데이터와 비교합니다. [23] 결과우리 연구는 S-GPR이 구현될 때 대사산물 소비/생산 예측의 상당한 개선을 보여주었습니다. [24] 균열 전파의 시뮬레이션은 균열 및 SRV의 측면을 계산하는 데 도움이 되는 확장 유한 요소 방법(XFEM)을 기반으로 합니다. 결과를 생산 예측을 위한 초기 조건으로 생산 분석 모델에 가져왔습니다. [25] 여기의 방법론은 편리하고 간단하며 실용적이며 이 블록의 석탄기 탄산염 저장소의 저장소 평가 및 생산 예측에 잘 적용됩니다. [26] 미래의 데모 핵융합 발전소(DEMO)에 대한 폐기물 생성 예측은 수명이 다한 방사성 폐기물 처분의 가능한 환경 및 경제적 비용에 대한 정확한 그림을 생성하는 데 필요합니다. [27] 결과는 MNH 모델이 셰일 가스 저장소의 다단계 골절 수평 유정에 대한 흐름 메커니즘 및 생산 예측에 대한 통찰력을 제공할 수 있음을 보여줍니다. [28] 따라서 신뢰할 수 있는 대수층 모델을 구축하고 생산 예측에 사용할 수 있도록 기록 일치 중에 대수층 매개변수를 정확하게 조정하는 것이 매우 중요합니다[1][2]. [29] 이러한 조건에서 생산 예측은 지속적으로 수행되어야 하며, 이는 더 많은 경험적 데이터와 데이터에 대한 액세스가 있기 때문에 가능합니다. [30]
Energy Production Prediction 에너지 생산 예측
08% for energy production predictions and 97. [1] At the same time, the prediction results also show that the hydrogen energy production prediction model established by using grey theory is feasible in practical work. [2] The main contributions of the authors could be synthetized as follows: (1) analysis and discussion of the experimental and simulated results regarding solar radiation forecast, as well as energy production prediction and forecasting based on ARIMA and ANN models for two case studies: (a) laboratory BIPV system developed at the Polytechnic University of Bucharest and (b) large PV park placed in a specific site of the south of Romania. [3] This study presents a procedure to reduce the uncertainty of wind power density estimations, which is useful to improve the energy production predictions of wind farms. [4] The frequency of stability events, from field measurements, is input into the calculation of an ensemble energy production prediction with wake losses for different wind turbine arrays. [5]에너지 생산 예측의 경우 08% 및 97. [1] 동시에, 예측 결과는 회색 이론을 사용하여 수립한 수소 에너지 생산 예측 모델이 실제 작업에서 실현 가능함을 보여줍니다. [2] nan [3] 본 연구는 풍력발전밀도 추정의 불확실성을 줄이는 절차를 제시하며, 이는 풍력발전단지의 에너지 생산 예측을 개선하는데 유용하다. [4] 현장 측정에서 얻은 안정성 이벤트의 빈도는 다양한 풍력 터빈 어레이에 대한 후류 손실이 있는 앙상블 에너지 생산 예측 계산에 입력됩니다. [5]
Power Production Prediction 전력 생산 예측
An accurate, bias-free representation of clouds and radiation is crucial for data assimilation and the increasingly important solar photovoltaic (PV) power production prediction. [1] Accurate and credible ultra-short-term photovoltaic (PV) power production prediction is very important in short-term resource planning, electric power dispatching, and operational security for the solar power system. [2] Solar irradiation forecasts are especially important for obtaining photovoltaic (PV) power production predictions, given that that PV output represents a function of solar irradiation. [3] , different combinations of the real-time weather variables and the PV power production data) are investigated for accurate one day-ahead power production predictions with short computational time. [4] In this work, a comprehensive ensemble approach composed by optimized and diversified Artificial Neural Networks (ANNs) is proposed for improving the 24h-ahead solar PV power production predictions. [5]구름과 방사선의 정확하고 편향 없는 표현은 데이터 동화와 점점 더 중요해지는 태양광 발전(PV) 전력 생산 예측에 매우 중요합니다. [1] 정확하고 신뢰할 수 있는 초단기 PV(태양광) 전력 생산 예측은 태양광 발전 시스템의 단기 자원 계획, 전력 파견 및 운영 보안에서 매우 중요합니다. [2] PV 출력이 일사량의 함수라는 점을 감안할 때 일사량 예측은 PV(태양광) 전력 생산 예측을 얻는 데 특히 중요합니다. [3] , 실시간 기상 변수와 태양광 발전 생산 데이터의 다양한 조합)은 짧은 계산 시간으로 정확한 1일 전 전력 생산 예측을 위해 조사됩니다. [4] 이 작업에서는 24h-ahead 태양광 발전 생산 예측을 개선하기 위해 최적화되고 다양한 인공 신경망(ANN)으로 구성된 포괄적인 앙상블 접근 방식을 제안합니다. [5]
Oil Production Prediction 석유 생산 예측
This study provides a novel feasible method for data-driven heavy oil production prediction, and it can be helpful in further study of data-driven heavy oil production. [1] This workflow includes a power consumption prediction exponential-gaussian process regression (GPR) model, an oil production prediction nonlinear autoregressive neural network with exogenous inputs (NARX) model, and an operation optimization model. [2] Besides, the data-driven proxy model could be applied to fast parametric studies, quick uncertainty analysis with the Monte Carlo method, and average daily oil production prediction. [3] It is necessary to form a fast and convenient method for the oil production prediction, especially for layered reservoir. [4] Oil production prediction is the main focus of scientific management. [5]이 연구는 데이터 기반 중유 생산 예측을 위한 새롭고 실현 가능한 방법을 제공하며 데이터 기반 중유 생산에 대한 추가 연구에 도움이 될 수 있습니다. [1] 이 워크플로에는 전력 소비 예측 GPR(지수 가우스 프로세스 회귀) 모델, 외생 입력이 있는 석유 생산 예측 비선형 자기회귀 신경망(NARX) 모델 및 작업 최적화 모델이 포함됩니다. [2] nan [3] nan [4] 석유 생산 예측은 과학적 관리의 주요 초점입니다. [5]
Ga Production Prediction Ga 생산 예측
Shale gas production prediction and horizontal well parameter optimization are significant for shale gas development. [1] However, due to the complex hydraulic fracture network and the gas flow mechanism, the physics-based shale gas production prediction model is still under way. [2] The proposed numerical model involves the crucial governing issues of a multistage SC-CO2 fracturing, such as heat transfer, thermal-hydro-mechanical coupling, the interaction between the fracturing fractures and the embedded pre-existing fractures, leak-off of fracturing fluid, proppant transport, and gas production prediction. [3] Results suggest that a detailed understanding of the dissolved gas load in CSG reservoirs will assist in improving gas production predictions at the well head. [4]셰일 가스 생산 예측 및 수평 우물 매개 변수 최적화는 셰일 가스 개발에 중요합니다. [1] 그러나 복잡한 수압파쇄 네트워크와 가스 흐름 메커니즘으로 인해 물리학 기반 셰일 가스 생산 예측 모델은 여전히 진행 중입니다. [2] 제안된 수치 모델은 열 전달, 열-수력-기계적 결합, 파쇄 파단과 내장된 기존 파단 사이의 상호 작용, 파쇄 유체의 누출, 프로판트 수송 및 가스 생산 예측. [3] 결과는 CSG 저장소의 용존 가스 부하에 대한 자세한 이해가 유정 헤드에서 가스 생산 예측을 개선하는 데 도움이 될 것이라고 제안합니다. [4]
Accurate Production Prediction 정확한 생산 예측
Accurate production prediction of single well is of great significance for efficient development of oilfield. [1] Therefore, it is worth developing an accurate production prediction model considering sulfur deposition for fractured horizontal wells. [2] Precise characterization of dynamic desorption area is crucial for accurate production prediction, production strategy formulation, and well pattern optimization of coalbed methane (CBM) reservoirs. [3]단일 유정의 정확한 생산 예측은 유전의 효율적인 개발에 매우 중요합니다. [1] 따라서 파쇄된 수평 유정에 대한 유황 침전을 고려한 정확한 생산 예측 모델을 개발할 가치가 있습니다. [2] 동적 탈착 영역의 정확한 특성화는 정확한 생산 예측, 생산 전략 수립 및 석탄층 메탄(CBM) 저장소의 유정 패턴 최적화에 매우 중요합니다. [3]
Crop Production Prediction
I performed a literature review (LR) to extract and synthesize the algorithms and options employed in crop production prediction analysis. [1] The Normalized Difference Vegetation Index (NDVI) is a widely used remote sensing indicator for crop growth monitoring, farmland management and crop production prediction. [2] In this paper, we have applied and build a crop production prediction model using Decision Tree Classification and AdaBoost Regression Method. [3]nan [1] NDVI(Normalized Difference Vegetation Index)는 작물 성장 모니터링, 농지 관리 및 작물 생산 예측에 널리 사용되는 원격 감지 지표입니다. [2] 이 논문에서는 Decision Tree Classification과 AdaBoost Regression Method를 사용하여 작물 생산 예측 모델을 적용하고 구축했습니다. [3]
Hydrocarbon Production Prediction
The in silico framework was integrated with in vitro fungal batch growth experiments to support O2 limitation and functionalized hydrocarbon production predictions. [1] The characterization of in-situ fracture networks is a common challenge, which has great significance to hydrocarbon production prediction and fracturing stimulation optimization. [2]in silico 프레임워크는 O2 제한 및 기능화된 탄화수소 생산 예측을 지원하기 위해 시험관 내 곰팡이 배치 성장 실험과 통합되었습니다. [1] 현장 골절 네트워크의 특성화는 탄화수소 생산 예측 및 골절 자극 최적화에 큰 의미가 있는 일반적인 문제입니다. [2]
Food Production Prediction
The study suggests that proper nitrogen fertiliser application, changes in crop establishment dates, and the cultivation of new cultivars could be efficient measures for food production prediction and climate change adaptation in the North China Plain. [1] Our study suggests that proper N fertilizer application, changing crop establishment dates, and cultivating new cultivars could be efficient measures for food production prediction and climate change adaptation in the North China Plain. [2]이 연구는 적절한 질소 비료 시용, 작물 재배 날짜의 변경 및 새로운 품종의 재배가 화북 평원의 식량 생산 예측 및 기후 변화 적응을 위한 효율적인 조치가 될 수 있음을 시사합니다. [1] 우리의 연구는 적절한 질소 비료 적용, 작물 재배 날짜 변경 및 새로운 품종 재배가 화북 평원의 식량 생산 예측 및 기후 변화 적응을 위한 효율적인 조치가 될 수 있음을 시사합니다. [2]
Sand Production Prediction 모래 생산 예측
Low prediction accuracy of shear wave travel time affects the accuracy of elastic parameters and results in inaccurate sand production prediction. [1] We considered hydrate saturation and overlying stress to establish a sand production prediction model. [2]전단파 이동 시간의 낮은 예측 정확도는 탄성 매개변수의 정확도에 영향을 미치고 부정확한 모래 생산 예측을 초래합니다. [1] 우리는 모래 생산 예측 모델을 설정하기 위해 수화물 포화도와 과도한 응력을 고려했습니다. [2]
Satisfactory Production Prediction 만족스러운 생산 예측
The calibrated posterior ensemble of HM yields a satisfactory production prediction that is verified by the remaining historical data. [1] The calibrated ensemble from the last iteration of history matching yields a satisfactory production prediction, which is verified by the remaining historical data. [2]HM의 보정된 사후 앙상블은 나머지 과거 데이터에 의해 검증되는 만족스러운 생산 예측을 산출합니다. [1] 이력 일치의 마지막 반복에서 보정된 앙상블은 나머지 이력 데이터로 검증되는 만족스러운 생산 예측을 산출합니다. [2]
production prediction model 생산 예측 모델
On this basis, horizontal well cluster perforation was optimally designed by using the production prediction model of staged multi-cluster fracturing horizontal wells. [1] The aim of this paper is to build a production prediction model based on machine learning technique and identify the most important factor for production. [2] Understanding the relationship between tree production and water use, as well as the main environmental and plant-related drivers of water use, is crucial for the development of production prediction models and reliable water management strategies under different climatic conditions. [3] Therefore, it is worth developing an accurate production prediction model considering sulfur deposition for fractured horizontal wells. [4] One novelty of this model is its consideration of three different kinds of production prediction models. [5] The results show that the PCA-GBDT production prediction model can accurately predict cycle oil production, and the average absolute error is less than 10%, which meets the requirements of field and engineering. [6] At the same time, the prediction results also show that the hydrogen energy production prediction model established by using grey theory is feasible in practical work. [7] Also,long core experiments were carried out to establish and verify the production prediction model, combined with expansion test, diffusion test and nuclear magnetic resonance test. [8] However, due to the complex hydraulic fracture network and the gas flow mechanism, the physics-based shale gas production prediction model is still under way. [9] We considered hydrate saturation and overlying stress to establish a sand production prediction model. [10] Water drive type curve can predict the relationship of water cut vs cumulative oil production, but lacks development time index; Production prediction model can predict the relationship of cumulative oil production, oil production rate vs development time, but can ’ t predict varying rule of water cut. [11] Since the traditional BP neural networks cannot accurately capture the time correlation between data, a long short-term memory model was used to establish production prediction model that can consider the trends and context correlations of production data. [12] Methods to estimate production rates are proposed, and a production prediction model is established. [13] Based on this, this paper uses the extreme learning machine (ELM) to establish a gasoline and diesel production prediction model, and uses the bat algorithm (BA) to optimize the weight of the extreme learning machine to improve the prediction accuracy of the model. [14] Then the production prediction model is built using the LSTM to extract features of the input data and multiple time series results of the hidden layer. [15] However, despite the focus of research and industry providers to develop tools that are easy to adopt by the end user, milk-production prediction models require substantial parameterization information for accurate milk production simulations. [16] Tight oil reservoirs in Songliao Basin were taken as subjects and a novel idealized refracturing well concept was proposed by considering the special parameters of volume fracturing horizontal wells, the refracturing potential of candidate wells were graded and prioritized, and a production prediction model of refracturing considering the stress sensitivity was established using numerical simulation method to sort out the optimal refracturing method and timing. [17] The principle component analysis (PCA) and neural network is utilized to identify the strong interaction which may exist between these factors and the typical gas dynamic indexes, and the production prediction model is built in Teviot-Brook block. [18] Four input uncertain variables (the dead oil viscosity with temperature, the reservoir pressure, the reservoir permeability and oil sand thickness hydraulically connected to the well) were selected as the ones with more impact on the initial hot oil production rate according to an analytical production prediction model. [19] In this paper, we have applied and build a crop production prediction model using Decision Tree Classification and AdaBoost Regression Method. [20]이를 바탕으로 단계적 다중 클러스터 파쇄 수평 유정의 생산 예측 모델을 사용하여 수평 유정 클러스터 천공을 최적으로 설계했습니다. [1] 본 논문의 목적은 머신러닝 기법을 기반으로 생산 예측 모델을 구축하고 생산에 가장 중요한 요소를 파악하는 것이다. [2] 나무 생산과 물 사용 사이의 관계와 물 사용의 주요 환경 및 식물 관련 동인을 이해하는 것은 다양한 기후 조건에서 생산 예측 모델과 신뢰할 수 있는 물 관리 전략을 개발하는 데 중요합니다. [3] 따라서 파쇄된 수평 유정에 대한 유황 침전을 고려한 정확한 생산 예측 모델을 개발할 가치가 있습니다. [4] 이 모델의 새로운 점 중 하나는 세 가지 다른 종류의 생산 예측 모델을 고려한다는 것입니다. [5] 결과는 PCA-GBDT 생산 예측 모델이 사이클 오일 생산을 정확하게 예측할 수 있으며 평균 절대 오차가 10% 미만으로 현장 및 엔지니어링 요구 사항을 충족함을 보여줍니다. [6] 동시에, 예측 결과는 회색 이론을 사용하여 수립한 수소 에너지 생산 예측 모델이 실제 작업에서 실현 가능함을 보여줍니다. [7] nan [8] 그러나 복잡한 수압파쇄 네트워크와 가스 흐름 메커니즘으로 인해 물리학 기반 셰일 가스 생산 예측 모델은 여전히 진행 중입니다. [9] 우리는 모래 생산 예측 모델을 설정하기 위해 수화물 포화도와 과도한 응력을 고려했습니다. [10] 워터 드라이브 유형 곡선은 워터 컷과 누적 석유 생산량의 관계를 예측할 수 있지만 개발 시간 지수가 부족합니다. 생산 예측 모델은 누적 석유 생산량, 석유 생산 속도 대 개발 시간의 관계를 예측할 수 있지만 다양한 워터 컷 규칙은 예측할 수 없습니다. [11] 기존의 BP 신경망은 데이터 간의 시간 상관관계를 정확하게 포착할 수 없기 때문에 생산 데이터의 추세와 컨텍스트 상관 관계를 고려할 수 있는 생산 예측 모델을 구축하기 위해 장단기 기억 모델을 사용했습니다. [12] 생산율을 추정하는 방법을 제안하고 생산 예측 모델을 설정합니다. [13] 이를 기반으로 본 논문에서는 ELM(Extreme Learning Machine)을 사용하여 가솔린 및 디젤 생산 예측 모델을 구축하고 bat 알고리즘(BA)을 사용하여 Extreme Learning Machine의 가중치를 최적화하여 모델의 예측 정확도를 향상시킵니다. [14] 그런 다음 LSTM을 사용하여 생산 예측 모델을 구축하여 입력 데이터의 특징과 숨겨진 레이어의 여러 시계열 결과를 추출합니다. [15] 그러나 최종 사용자가 채택하기 쉬운 도구를 개발하기 위한 연구 및 산업 제공자의 초점에도 불구하고 우유 생산 예측 모델은 정확한 우유 생산 시뮬레이션을 위해 상당한 매개변수화 정보가 필요합니다. [16] Songliao Basin의 타이트한 오일 저장소를 대상으로 하고 부피 파쇄 수평 유정의 특수 매개변수를 고려하여 새로운 이상화된 내화 유정 개념을 제안하고 후보 유정의 굴절 가능성을 등급화하고 우선 순위를 지정하고 이를 고려한 내화 생산 예측 모델을 제안했습니다. 응력 민감도는 최적의 굴절 방법과 타이밍을 분류하기 위해 수치 시뮬레이션 방법을 사용하여 설정되었습니다. [17] PCA(Principle Component Analysis) 및 신경망을 활용하여 이러한 요인과 일반적인 가스 동적 지수 사이에 존재할 수 있는 강력한 상호 작용을 식별하고 Teviot-Brook 블록에 생산 예측 모델을 구축합니다. [18] 분석 생산 예측에 따라 초기 고온유 생산율에 더 큰 영향을 미치는 4가지 입력 불확실 변수(온도에 따른 사유 점도, 저수조 압력, 저수조 투과도 및 유정에 수력으로 연결된 오일샌드 두께)가 선택되었습니다. 모델. [19] 이 논문에서는 Decision Tree Classification과 AdaBoost Regression Method를 사용하여 작물 생산 예측 모델을 적용하고 구축했습니다. [20]
production prediction method 생산 예측 방법
In past attempts, CBM production prediction methods have been limited to numerical simulation and shallow neural network. [1] The Arps decline model is one of the most commonly used oil field production prediction methods. [2] A detailed study for production prediction methods under various drainage schedules for under-saturated coalbed methane wells is performed. [3]과거 시도에서 CBM 생산 예측 방법은 수치 시뮬레이션과 얕은 신경망으로 제한되었습니다. [1] Arps 쇠퇴 모델은 가장 일반적으로 사용되는 유전 생산 예측 방법 중 하나입니다. [2] 저포화 석탄층 메탄정에 대한 다양한 배수 일정에 따른 생산 예측 방법에 대한 자세한 연구가 수행됩니다. [3]
production prediction error
When block level predictions were aggregated across the multiple orchards per region, production prediction errors were between 0–15% from 2016–2019. [1] The trial methods reduce power-production prediction errors compared to the baseline method at high wind speeds, which contribute heavily to power production; however, the trial methods fail to significantly reduce prediction uncertainty in most meteorological conditions. [2]블록 수준 예측이 지역당 여러 과수원에 걸쳐 집계되었을 때 생산 예측 오류는 2016년에서 2019년 사이에 0–15%였습니다. [1] 시험 방법은 전력 생산에 크게 기여하는 높은 풍속에서 기준 방법과 비교하여 전력 생산 예측 오류를 줄입니다. 그러나 시험 방법은 대부분의 기상 조건에서 예측 불확실성을 크게 줄이는 데 실패합니다. [2]