模式识别煤层气储层的垂直水力裂缝形状基于分层Bi-LSTM网络

文摘

模式识别的水力裂缝的形状是非常重要和复杂的重复压裂设计的煤层气井(CBM)。在本文中,我们探索一个新的想法关于模式识别过程,了解煤层气储层水力压裂过程中“说”。然后我们提出一个层次双向LSTM (Bi-LSTM)网络识别的模式在煤层气储层水力裂缝几何。输入数据的小波去噪序列提出了网络,我们可以提取的内隐特征液压砂压裂施工曲线,并自动将其组合在一起,使骨折的分类的形状。用这种方法,我们可以应付的问题发生在煤层气领域发展的早期阶段,如缺乏监测井和岩石力学的信息。此外,工程师的经验和实测数据组合使用,可以有效地减少主观性,协助工程师进行应用设计。验证了此方法的有效性测试数据和与Fracpro PT软件的仿真结果进行比较。

1。介绍

中国拥有丰富的煤层气(CBM)资源。直到2018年,已经有26在沁水煤层气领域发现,汉城等。在中国煤层气的总探明储量为6345×10⁸米³,其中经济可采储量是2537×10⁸米³(1]。煤层气的开发不仅可以帮助减少在煤矿安全风险,还可以调节中国能源供应的结构。不同于煤层的地质条件在美国或加拿大,中国的煤层气储层低孔隙度和低渗透率,这意味着必须通过工业开采煤层气储层的刺激。水力压裂(高频)是一个关键技术,促进致密储层的开发(例如,CBM)通过提高生产和恢复率和改善他们的剥削经济。增加储层渗透率和生产力是实现创建和扩展断裂网络用高压流体注入(2,3]。然而,磁导率和电导率的煤层液压骨折很容易因为应力敏感性或降低煤粉迁移,这将导致负面影响煤层气的开发;参见图1。因此有必要实施应用操作来创建新的骨折或扩展存在的,这样可以提高煤层气的生产。

重复压裂前,这是一个关键点分析可能存在裂缝的形状,这直接影响压裂技术的选择、尺度和支撑剂的日程安排。现在有很多研究关注的模式识别裂缝的形状。例如,方向,长度,高度,和增长水力压裂的历史传播可以通过微震监测4]。然而,微震的具有较高的技术要求监测井和油井和断裂位置的测量误差有时真的很高。裂缝方位、倾角和体积可以测量表面倾斜仪[5),但结果很容易受测量仪器的位置(6]。此外,个别断裂的尺寸不能用这种方法在复杂的裂缝网络。其他评价技术(7),如记忆温度测井,放射性跟踪,只能确定井眼附近的骨折区域的垂直高度,而骨折1 m的信息超出了钻孔在水平方向上是无法获得的。电位法可以测量裂缝方位和长度,但结果取决于不同的盐度压裂液与储层(8]。提到的这些方法可以帮助监测和评估液压骨折”直接”,应用程序的费用是有限的仪器和储层的扰动特性。

”间接”的方法,压力分析的技术,低成本,能够获得更多的储层信息。它被认为是最强大的和经济的方法来监测和评估液压骨折。传统的压力分析方法起源于诺尔特的工作等。9- - - - - -11)等。这种方法可以帮助确定骨折的传播,分析的基础上的双对数曲线的斜率信息净压力和时间。直到现在,有很多的调查方法。马丁斯(12)开发和提高了压裂压力分析技术,使其成为经典分析压裂泵送过程中。Crokett et al。13]研究裂缝压力分析方法基于三维裂缝扩展模式。Benelkadi et al。14]分析了压裂停泵后压力。然而,在实际情况中,它不是有效的形状来判断液压骨折只有通过分析双对数曲线。

上面的间接分析方法的本质及相关修改是提取有效的数值特性(斜率,等等)通过观察液压骨折操作曲线。提取”有意义的”特性,操作主管可以识别裂缝形状的模式经验。在这个过程中经常调整的参数主管,因此预测的准确性取决于他自己的亲身经历。特征提取,有很多有用的技术在机器学习(15,16]。随着深度学习的发展,有很多强大的工具来提取的特点(有意义/无意义的)不同的数据类型和应用模式识别(17]。例如,卷积网络应用于提取数字图像数据的特征分类(18- - - - - -23]。然而,对于涉及的任务顺序输入,如语音识别,通常是更好地利用递归神经网络(RNNs),它可以维护隐含的历史信息的隐藏单元(24- - - - - -26]。RNNs有缺陷,很难学会信息存储很长时间,因为梯度爆炸或消失27]。要修正这个问题,长期短期记忆(LSTM)网络提出了记住很长时间的输入使用特殊的隐藏单元(28]。LSTM及其修改(双向LSTM, Bi-LSTM等)已被有效地应用于处理语言或语言(29日- - - - - -32]。

一套液压砂压裂施工曲线煤层气储层由3次系列:油管压力,支撑剂比例,和流体速度;参见图2。

关于上面的曲线为“演讲“从煤层气储层压裂过程中,分析液压骨折操作曲线可以作为我们试图了解煤层气储层”说”。灵感来自这个观察,我们提出一个层次Bi-LSTM网络识别的模式在煤层气储层水力裂缝几何;参见图3。

在这个框架中,输入数据是由小波变换去噪首先,我们更关心的趋势和操作的平滑的形状曲线。隐藏的层次层包括五个Bi-LSTM层(33- - - - - -35),输出是输入的分类层。这里,分层Bi-LSTMs被视为编码器提取特征。这样做的好处是,我们可以展开该框架分析隐藏功能明确的信息:操作曲线的类型,对支撑剂的敏感性比,停泵后压力下降率的水平,和裂缝延伸的方式。的模式与方法,在煤层气储层裂缝的形状可以被更迅速和有效率。该方法可以应对的问题发生在煤层气领域的早期阶段,如缺乏监测井和岩石力学的信息。此外,该方法不需要以适应地层压力剖面,这也有助于提高双对数曲线的常规分析方法。

论文的主体的组织结构如下:在部分2在煤层气储层、断裂的图案形状和相关影响因素(特性)进行了分析。节3的细节,我们的方法是分为2部分,数据准备和分类的层次Bi-LSTM编码器。节4,整个网络训练的数据超过1000井的中国煤层气领域之一。验证提出方法的预测结果进行了比较,验证了仿真结果的Fracpro PT。

2。煤层的裂缝形状和模式相关的影响因素

诱导裂缝的方向在煤层由垂直主应力和水平主应力的相互水库,使主破裂面垂直或水平。此外,被许多地下的不确定性,它几乎是不可能预测的准确几何骨折。幸运的是,在刺激水库工程,工程师们更关心断裂模式的形状。这项工作的数据主要来自中国山西煤层气领域的液压骨折主要是垂直的。因此,在本文中,我们主要专注于立式液压骨折的模式识别。

2.1。煤层裂缝形状的模式

识别的经典断口形状裂缝监测和评价模式是非常重要的。煤层气井的裂缝操作之前,压裂工程师需要在井下工况诊断经验根据前裂缝形状模式;参见图4。结合排水的信息特征和煤层气藏地质的潜在信息,他们可以为压裂设计提供合适的建议。

例如,有一个TS07-3D,在煤层气领域在中国。应用操作之前,我们发现这口井的生产主要是由储层渗透率控制。由于煤层灰分的果酱,断裂的模式形状是High-Short类型(液压骨折并不完全扩展),这口井的产量非常低的第一次压裂后。与专家系统MDSCBM我们遵守,建议重复压裂的设计操作好了:(1)实现射孔和压裂层的顶部附近的煤层主应力最小(2)支撑剂的时间表应该冲动沙子增加,支持代理应该是低密度的沙子

根据现场经验和仿真结果,立式液压骨折煤层气储层的形状主要分为4模式。在数据4(a1) -4(d1)四种模式的原理图,和数字4(a2) -4(d2)模拟液压骨折煤层气储层的形状Fracpro PT。

在这里,我们应该注意到,在图四种模式的名称4只是符号。更重要的是每个名称的现象背后的断裂模式。(一)短而宽裂缝。流体损失太多;因此,裂缝的长度通常不能扩展,和流体仅用于扩大裂缝宽度。(b)狭长的裂缝。裂缝的渗透率是好的,裂缝的高度适当的足够了。这是理想的fracture-making。(c)Multiple-Narrow骨折。天然裂缝在地平线发达和人工骨折多个小的宽度。(d)High-Short骨折。在这种情况下,断裂严重失控的高度和渗透的裂缝相对较差。

2.2。影响因素对断裂的模式形状

液压骨折煤层气储层的几何受多种因素的影响;几乎不可能预测骨折的确切形状水力压裂砂后操作。幸运的是,骨折不需要精确的预测和评价模式的正确识别裂缝形状有时是足够的工程师的设计重构操作。根据储层力学刺激(2)和现场经验,断裂模式的形状主要受以下特性的影响。

2.2.1。水力压裂砂操作曲线的类型

水力裂缝的分析操作曲线(泵送压力的变化等),我们可以确定定性煤层的裂缝扩展多困难。原因是泵送压力的变化是由于复合地应力场的影响,流动摩擦阻力在骨折,并在井筒的压力。一般来说,液压骨折操作曲线可分为4种类型;参见图5。

同样,这四个代表四个病例的裂缝延伸曲线类型:(一)波动的运行曲线。骨折不成功的传播由于地层非均质性。(b)稳定运行曲线。骨折的传播是正常的,压裂操作成功。(c)提升运行曲线。裂缝的扩展是不够的,随着地层压裂作业期间很难打开。(d)下行运行曲线。压裂液的过滤损失过高或裂缝扩展的高度。

在这里,我们应该注意,很容易分类操作的典型曲线。但在大多数情况下,操作曲线的类型是由压裂工程师根据自己的主观歧视的经验。因此,它是有意义的分类通过机器学习方法。

2.2.2。对支撑剂的敏感性比

在图6,一旦支撑剂比(黑线)大于0时,压裂操作转向泵携砂液(黄色框)。理想的情况是,支撑剂(砂或陶粒)是分布在断裂平面均匀,断裂是有效地支撑。在这里,对支撑剂的敏感性比率反映了裂缝宽度和砂分布。一般来说,如果裂缝宽度是不够的,支撑剂容易断裂平面接触,然后断裂对支撑剂的比例十分敏感。

对支撑剂的敏感性比通过油管压力的变化可以歧视。如果油管压力变化以及支撑剂的变化比率(正相关),骨折支撑剂敏感率。否则,它不敏感。例如,在图6油管压力增加和支撑剂比例的增加,所以我们可以说骨折砂率敏感。类似于前分段的歧视对支撑剂的敏感性比通常是主观和模糊;因此,它也是很有必要寻找一种机器学习方法来解决这个问题。

2.2.3。停泵后压力下降率

压降曲线变化曲线的井底压力或井口压力后停止泵(见图7在粉色框)。在此期间,压裂液将漏泄形成的内外压差骨折。因此,我们可以分析形成的过滤压力下降率(见图7)。

在图8僵硬地,我们可以将压降曲线划分为3个层次,曲线高,温和,和低下降率,根据现场经验在煤层气井骨折。例如,通过定义压力下降率R_d的平均压降在停泵后60分钟,如果我们把R_d小于0.1 MPa·敏吗⁻¹,然后下降率低;如果R_d介于0.1和0.15 MPa·敏吗⁻¹,然后下降速率适中;如果R_d大于0.15 MPa·分钟⁻¹,然后下降率高。

众所周知,概念”高”、“温和的”、“低“相当主观和模糊,不适当的僵硬地对它们进行分类。模糊综合评价等方法可能更适合,如果我们只关注这一点。然而,压力下降水平只是一个中间(隐藏)功能在我们的方法;我们可以把压降曲线的顺序输入相关Bi-LSTM3图2,输出的压降曲线的数值特征和分类的输入层。

2.2.4。断裂传播方式

裂缝延伸的方式是通过双对数曲线的斜率的净压力和时间(lgPlgt)。在这里,lg的斜坡Plgt曲线得到了基于经典的波兰或KGD模型(10,11]。

在压裂作业期间,我们可以测量井口压力P_表面。净压力P_净骨折,我们需要变换P_表面井底压力和井筒液柱压力P_hyrostatic管道的摩擦损失P_fluidfic摩擦在穿孔隧道P_pf和裂缝闭合应力(主要几乎等于最小水平应力σ_最小值)计算。也就是说,

可以看到附件的计算每一项的详细信息(1)。由(1),我们可以得到净压力时间的双对数曲线(lgPlgt为每个压裂操作);参见图9。

根据诺尔特的方法(10),我们知道lg的斜率Plgt曲线可以揭示在压裂裂缝延伸的效率。基于储层力学刺激理论(2)和历史资料的分析,本文讨论了煤层气领域的裂缝延伸的方式可分为6个类型,对应于不同间隔的lg的斜率Plgt曲线;见表1。

由于不确定性的地下,裂缝延伸的方式可能不同压裂操作过程的不同阶段。断裂的模式形状影响断裂传播礼仪的整个操作过程。它是不容易找到合适的静态特性来描述lgPlgt曲线,这就是为什么我们选择Bi-LSTM分析这种顺序的数据。

3所示。分层Bi-LSTM模型识别的模式在煤层气储层裂缝的形状

本文提出方法的整个框架可以分为3个步骤:(1)数据预处理;(2)由Bi-LSTMs特征提取,(3)通过分类层分类。下面列出的细节。

3.1。数据准备

首先,输入Bi-LSTM层的图2对应于不同的数据序列,应该从原始数据中提取如下:(1)Bi-LSTM1,提取隐含的特征证明水力压裂砂操作曲线的类型;因此,输入数据组成的序列(油管压力、支撑剂比例和注射速率),这是截停泵点(注射率是0)。(2)Bi-LSTM2,是讨论油管压力和支撑剂比例之间的关系;因此,输入包含2序列的油管压力和支撑剂比在含砂阶段(时间间隔选择从prppant比大于0,,注射速率趋于0)。(3)Bi-LSTM3,输入序列的油管压力后停止泵(时间间隔的长度是60分钟)。(4)lgPlgt(1)获得的曲线是Bi-LSTM4的输入。

一般来说,原始数据的压裂施工曲线采样第二第二,嘈杂,过于密集的深层网络的输入。因此,作为开始,4 Bi-LSTM层的输入序列应该过滤和平滑显示清晰的变化趋势。在本文中,我们采用小波变换降噪数据通过选择合适的小波基(24]。那么平滑序列由分钟取样。

3.2。通过分层分类Bi-LSTM网络

修改RNN, LSTM网络更健壮的梯度爆炸或消失的问题28]。这个网络是学习能力的长期信息从各种各样的序列数据。LSTM内存块的基本结构包含4部分:输入,输出门,忘记门,和存储单元;参见图10。

盖茨和细胞状态LSTM单元由以下公式更新。 在哪里网络的输入和输出在时间吗t。的矩阵和不同的权重矩阵是下标分别输入部分和复发性部分。 , , ,而且,是偏差向量关于3盖茨和存储单元。 , ,和是激活函数(乙状结肠或双曲正切)。在本文中,我们使用乙状结肠功能。点态的外延是乘法。

作为LSTM的一个变种,Bi-LSTM已被证明是更有效的,因为它可以分析信息从过去和未来36]。Bi-LSTM的基本思想是利用两个平行层隐藏的单位来捕获过去和未来的信息。两层连接形式输出。与LSTM相比,输出公式(7)应调整

然后(8)和(9)连接到最终的输出:

第一个原因,我们选择的层次结构摘要Bi-LSTM层(图10)是断裂的模式形状的复合结果4因素部分2。数据序列相关影响因素彼此是相互依存的。已经证明,分层Bi-LSTM网络优于无模型的相互依赖关系的序列(29日]。

第二个原因是,网络训练后,我们可以分析的隐式信息(骨折)的模式的影响因素展开了网络(20.,28]。该框架的分层Bi-LSTM显示在图11。

在图11,完全连接层是嵌入到神经网络隐层的特性,结合所有提取的本地信息在下一步得到全球的结果。最后的分类是实现通过使用将softmax函数(28]。 在哪里代表网络的输出与输入 ,和是标签的索引4模式;因此,意味着分配的标签吗 。然后总损失函数定义如下: 在哪里指标函数= 1如果吗,否则为0;是真正的输入的标签吗 ; 是样品的数量。

4所示。实验

4.1。数据集

拟议的方法是实现一个数据集是由水力压裂操作的数据超过1101在山西沁水盆地煤层气井。断裂的模式形状的标签估计根据现场工程师的经验和Fracpro PT的模拟。

4.2。培训和实施细节

所有输入的最大长度序列图9不超过120(2个小时),每个Bi-LSTM层本文由240台,其他培训细节给出了按照李的工作(33]和Sutskever [37]。LSTM单位和相关的参数神经网络层之间均匀分布的初始化(−0.08,0.08)。基于随机梯度优化基于自适应估计时刻(亚当)摘要采用优化损失函数(38]。在这里,首先固定学习速率是0.001。梯度时剪标准超过一个阈值为1。

4.3。结果

煤层气储层的模式识别裂缝的形状是一个新奇的想法,直到现在,没有深刻的学习方法应用于这一主题。因此,我们的方法是首先的性能测试通过使用训练网络进行分类测试数据。在这篇文章中,80%的数据应用于火车给定的分层Bi-LSTM留给测试网络和20%。

其次,我们将LSTM网络的性能与不同的结构;见表2。在这里,简称H-Bi-LSTM代表层次Bi-LSTM网络。从表2,我们可以看到本文提出H-Bi-LSTM精度最高的81.8%,这并不像我们希望的那么高(> 95%)。原因是标签的训练和测试数据是通过经验的工程师和Fracpro PT仿真,主观误差。

最后,对于一些实际的煤层气井在中国,输入数据在图12和表3提出了网络,我们发现,压裂后裂缝形状的预测模式操作“High-Short”。

在这里,我们可以看到,煤层气井的模拟水力裂缝的确是一个High-Short骨折。

5。结论

煤层气储层水力裂缝延伸的准确预测几乎是不可能的,因为它是一个复杂的非线性动态建模问题,这很容易受到不确定因素的影响。在本文中,我们探索一个新的想法使断裂的模式识别形状。在这个理念,模式识别被认为是理解煤层气储层水力压裂期间说。煤层气储层的“单词”的相关操作曲线。然后可以应用深度学习的方法。

本文的工作是一个专家系统的一部分,“管理决策软件生产率低下和低效煤层气井”(MDSCBM)。与传统的方法相比,本文提出的方法充分利用深层网络的非线性描述能力和LSTM顺序信息的处理能力,提供一个新的视角来预测断裂模式的形状。这种方法需要工程师的经验和实测数据两方面考虑,可有效协助工程师在现场进行应用设计。

附录

的计算公式的右边(条款1在本文的主体列出如下。

在计算井筒液柱压力通过以下公式: 在这压裂液的密度,公斤/米³;重力加速度,m / s²;是液体的高度,m。

管道的摩擦损失主DL的计算方法(39]: 在哪里淡水是管道的摩擦损失, 在这耐磨系数,无因次;管子的内径,m;是流体的注入量,m³/分钟;管的长度,m;平均流的愤怒,m / s;公斤/米,厚的浓度吗³;支撑剂的浓度,公斤/米³。

接下来,穿孔隧道的摩擦威林汉的计算方法(40]: 在这,是流体的注入量,m³/分钟;压裂液的密度,公斤/米³;穿孔隧道的直径,m;是穿孔隧道的数量;是穿孔隧道的流量系数,C≤8.9。

数据可用性

使用的数据来支持本研究的发现没有提供,因为它们与煤层气勘探公司保密的协议。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持中国国家科技重大项目(2017号zx05064)和中国国家自然科学基金委(11601451)。

引用

1. x y, z汉,h . j .锣”中国煤层气勘探和开发的挑战和机遇在新形势下,“天然气工业,38卷,不。9日10到16,2018页。视图:谷歌学术搜索
2. m . j和k . g . Nottle水库的刺激威利奇切斯特,英国,第3版,2000年版。
3. l·c·默多克和w·w·松”形式的液压骨折浅细粒度的形成。”岩土和Geoenvironmental工程杂志》上,卷128,不。6,479 - 487年,2002页。视图:出版商的网站|谷歌学术搜索
4. 孟x h . Chen,妞妞,y, c .阴,“吴刺激页岩气储层的微震监测在西南中国:2。空间集群控制的先前存在的缺点和骨折,”地球物理学研究杂志:固体地球,卷123,不。2、1659 - 1672年,2018页。视图:出版商的网站|谷歌学术搜索
5. c·a·莱特·e·j·戴维斯和w·a . min”表面倾斜仪骨折映射达到新的深度- 10000英尺,和超越?“在学报SPE落基山区域研讨会/低渗透性储层丹佛市,页135 - 146,美国,1991年4月。视图:谷歌学术搜索
6. x燕,胡t y, y y,他“表面倾斜仪在监测中的应用复杂的液压骨折,”石油地球物理勘探,51卷,不。3、480 - 486年,2016页。视图:谷歌学术搜索
7. h·张,j .问:刘和c·j·甘”应用程序的内存以及温度测井评价水力裂缝高度在高温及蓄压器,”测井技术第41卷。。6,728 - 731年,2017页。视图:谷歌学术搜索
8. j·a·t . Wang Stodt, d . j . Stierman”映射液压骨折使用borehole-to-surface电阻率方法,”地质勘探,28卷,不。4、349 - 369年,2019页。视图:出版商的网站|谷歌学术搜索
9. k·g·诺尔特”,从压裂裂缝参数测定压力下降,”美国石油工程师学会学报》上NV,页1 - 16,拉斯维加斯,美国,1979年9月。视图:谷歌学术搜索
10. k·g·诺尔特和m·b·史密斯,”解释压裂压力。”《石油技术,33卷,不。9日,第1775 - 1767页,1981年。视图:出版商的网站|谷歌学术搜索
11. k·g·诺尔特,”压裂压力分析非理想行为”,《石油技术,43卷,不。2、210 - 218年,1991页。视图:出版商的网站|谷歌学术搜索
12. j·p·马丁斯,“压裂支撑剂,”美国石油工程师学会学报》上丹佛市,页83 - 94,美国1985年3月。视图:谷歌学术搜索
13. A . r . Crokett n·m·Okusu m·p·克利里,“一个完整的集成模型,水力压裂设计和实时分析操作,”石油工程师学会学报》上,页221 - 233,奥克兰,美国,1986年4月。视图:谷歌学术搜索
14. s . Benelkadi r . Belhaouas m·萨哈尔,“使用after-cloure分析改善水力压裂设计应用在阿尔及利亚in-adaoui气田,”石油工程师学会学报》上,页1 - 12,俄克拉荷马城,美国,2003年3月。视图:谷歌学术搜索
15. t·m·米切尔机器学习:第十七章麦格劳-希尔教育,1998年纽约,纽约,美国。
16. t . Hastie r . Tibshirani j·弗里德曼,“统计学习的元素:数据挖掘、推理与预测,“数学情报员,27卷,不。2、83 - 85年,2005页。视图:出版商的网站|谷歌学术搜索
17. y l村、y Bengio和g .辛顿“深度学习”,自然卷,521年,第444 - 436页,2015年。视图:谷歌学术搜索
18. y l村”,与反向传播网络,手写数字识别”诉讼进展的神经信息处理系统丹佛市,页396 - 404,美国1990年11月。视图:谷歌学术搜索
19. 美国劳伦斯c·l·贾尔斯a·c·Tsoi和公元后,“人脸识别:卷积神经网络的方法,”IEEE神经网络,8卷,不。1,第113 - 98页,1997。视图:出版商的网站|谷歌学术搜索
20. a . Krizhevsky i Sutskever g·辛顿,“净分类与深度图像卷积神经网络,”ACM的通信,60卷,不。6,84 - 90年,2007页。视图:出版商的网站|谷歌学术搜索
21. t . Sainath a . r . Ohamed金斯伯里b, b . Ramabhadran,“深LVCSR卷积神经网络,”IEEE国际会议上声学学报》,演讲,和信号处理(ICASSP)8618年,页8614 -温哥华,加拿大,2013年5月。视图:谷歌学术搜索
22. j . Tompson a . Jain l . c(音)和c Bregler“卷积网络和图形模型的联合训练对人类构成估计,”诉讼进展的神经信息处理系统加拿大蒙特利尔,页1799 - 1807,,2014年12月。视图:谷歌学术搜索
23. k . Simonyan和a . Zisserman”大规模图像识别,很深的卷积网络”美国学习国际会议上表示圣地亚哥,页1 - 14、钙、美国,2015年5月。视图:谷歌学术搜索
24. c . Min”,盲目的去模糊小说通过递归深度CNN提高了小波变换”《IEEE访问,第69252 - 69242页,2018年。视图:谷歌学术搜索
25. y Bengio、p . Simard和p . Frasconi”学习与梯度下降的长期依赖性是困难的,”IEEE神经网络,5卷,不。2、157 - 166年,1994页。视图:出版商的网站|谷歌学术搜索
26. k .曹”,学习短语表示使用RNN encoder-decoder统计机器翻译,”会议的程序在自然语言处理的经验方法1734年,页1724 -多哈,卡塔尔,2014年10月。视图:谷歌学术搜索
27. Sutskever,“复发性神经网络训练,”多伦多大学,斯卡伯勒,加拿大,2012年的博士论文。视图:谷歌学术搜索
28. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经第一版,9卷,不。2、1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
29. m·舒斯特尔和k . k . Paliwal”双向复发性神经网络”,IEEE信号处理,45卷,不。11日,第2681 - 2673页,1997年。视图:出版商的网站|谷歌学术搜索
30. y姚明和z黄”,双向LSTM递归神经网络对中国分词,“神经信息处理施普林格,柏林,德国,2016年。视图:出版商的网站|谷歌学术搜索
31. n . Mehdiyev j . Lahann a . Emrich d·恩克·Fettke p .洗手间,“时间序列分类使用深度学习流程规划:一个案例从流程行业,“Procedia计算机科学卷,114年,第249 - 242页,2017年。视图:出版商的网站|谷歌学术搜索
32. l·t·安·m·y阿尔希波夫,m . s . Burtsev”应用混合Bi-LSTM-CRF模型来俄罗斯命名实体识别的任务,”学报第六届会议上人工智能和自然语言(AINL),2017年,页1 - 103。视图:谷歌学术搜索
33. m·t·j . Li陈德良,d . Jurafsky”层次神经autoencoder段落和文档,”53的程序计算语言学协会的年度会议,页1106 - 1115年,台湾,中国,2015年7月。视图:谷歌学术搜索
34. 粗鲁的,p . Ghaffari和j·g·布雷斯林”评价的层次结构模型以面向方面为基础的情绪分析,”学报2016年大会在自然语言处理的经验方法2016年11月美国奥斯汀,TX。视图:谷歌学术搜索
35. h·雪,d .问:黄齐,m·雷诺兹“行人轨迹预测,层次LSTM模型”《IEEE计算机视觉的冬季会议上应用太浩湖,页1186 - 1194年,NV,美国,2018年3月。视图:谷歌学术搜索
36. c库、k . s .苏尼尔和a·阿施施”调查上下文特性是如何被双向递归神经网络模型,”2017年,https://arxiv.org/pdf/1709.00659。视图:谷歌学术搜索
37. s . Ilya诉Oriol, v . l . Quoc”序列,序列学习神经网络,”先进的神经信息处理系统27卷,第3112 - 3104页,2014年。视图:谷歌学术搜索
38. p . Diederik、d . r . Kingma和l . b .吉米,“亚当:随机优化方法,”2015年,https://arxiv.org/pdf/1412.6980。视图:谷歌学术搜索
39. d . l .主”刺激液体的紊流:摩擦损失扩大的评价方法”SPE学报》年度技术会议和展览,页133 - 142,达拉斯,得克萨斯州,1987年9月美国。视图:谷歌学术搜索
40. j·d·威林汉h . c . Tan, l·r·诺曼“射孔压裂液料浆的摩擦压力,”美国石油工程师学会学报》上丹佛市,页479 - 492,美国,1993年4月。视图:谷歌学术搜索

版权

版权©2020杨Zhaozhong et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。