基于双层GRU神经网络的油田注水预测方法研究

为达到精细注水的注采要求,利用两种不同隐层门控循环单元(GRU)神经网络模型的注水流量预测方法,同时借助国内某油田注水井的历史数据对两种不同隐层模型的预测结果进行了对比。结果表明:与传统的循环神经网络(RNN)和长短期记忆(LSTM)神经网络相比,GRU不仅拥有较好的预测性能,模型训练效率也更高;且双隐层结构较单隐层在模型的训练仿真和预测上有着更高的准确度,说明深层网络结构在信息的主要特征提取上更具优势,同时证明了GRU预测模型在油田注水流量预测方面的可行性和优越性。