V dnešnom energetickom poli má bridlicový plyn ako dôležitý nekonvenčný zdroj zemného plynu veľký význam pre jeho efektívny vývoj a presné hodnotenie. Inverzia sietí zlomenín je kľúčom k efektívnemu vývoju a presnému hodnoteniu bridlicového plynu.
Tradičné metódy však čelia mnohým výzvam, ako sú vysoké náklady a neúplné údaje. V posledných rokoch rýchly rozvoj technológie hlbokej vzdelávania priniesol nové príležitosti a prielomy pre inverziu zlomenín v nádržiach bridlicových plynov. Priehrady bridlicového plynu sú vysoko kompaktné a významne heterogénne, s extrémne nízkou prírodnou výrobou. Aj keď tradičné technológie monitorovania zlomenín (napríklad mikro -seizmické monitorovanie) môžu poskytnúť určité informácie, sú nákladné a nemôžu plne pokryť oblasť monitorovania studne; Aj keď modely predikcie numerickej simulácie majú určitú úlohu, majú vysoké požiadavky na integritu geologických údajov a predikčný efekt nie je dobrý, keď sú geologické údaje neúplné alebo chýbajú sekcie studne.
Na základe vyššie uvedenej situácie tento dokument navrhuje inverznú metódu zlomenín sietí v nádržiach bridlicových plynov na základe hlbokého učenia. Táto metóda je založená na údajoch o zlomení krivky lokality počas konštrukcie a vykonáva kvantitatívnu analýzu charakteristických parametrov štiepnej krivky. Prostredníctvom výskumu v hĺbke sa zistilo, že prijatím silne korelovaných ukazovateľov parametrov siete zlomenín ako vstup a mikro -seizmické monitorovacie sieťové parametre siete (dĺžka zlomenín, dĺžka siete, šírka, výška, objem) ako cieľový výstup, môže byť vytvorený model inverzie Inversion BP (spätná propagačná sieť), aby sa presné inverzné parametre inverzovali sieťové siete. V špecifickom výskume sa založené na 450 - frakčných krivkách jamiek bridlicového plynu v oblasti západného Chongqingu vykonávajú výcvik modelu a optimalizácia parametrov.
Po testovaní je priemerná relatívna chyba výsledkov inverzie parametrov zlomenín v tomto modeli nižšia ako 15%, čo overuje uskutočniteľnosť a účinnosť novej metódy inverzie zlomenín v nádrži bridlicových plynov. Z technického hľadiska má hlboké krmivo - vpred neurónová sieť (DFNN), ako dôležitý algoritmus v hlbokom učení, viacvrstvovú neurónovú štruktúru, ktorá môže približne zložitými dátovými vzormi prostredníctvom ne -lineárnej transformácie. Neurónová sieť BP, ako metóda tréningu DFNN, používa algoritmus chrbta chrbta na úpravu hmotností a zaujatosti siete, má mechanizmy šírenia vpred a chrbta chrbta a optimalizuje výkonnosť siete prostredníctvom viacerých iterácií, aby sa presnejšie priblížilo skutočnú hodnotu. Pokiaľ ide o spracovanie údajov, kvantitatívne sa v hĺbke kvantitatívne analyzujú štiepiace konštrukčné krivky.
Krivka konštrukcie prelomenia sa skladá z vstrekovacieho tlaku čerpadla, kriviek vytesnenia koncentrácie a koncentrácie piesku, ktoré sú rozdelené do fázy pred - preplachovaním, piesok - pridávajúc štádium zlomenia a štádiu zastavenia čerpadla. Charakteristické parametre frakčnej krivky sa extrahujú pre rôzne štádiá, ako je napríklad rastúci tlak na jednotku objemu pred - preplachovacej tekutiny, tlak zlomenín atď. Celkom 18 charakteristických parametrov sa vyberie ako kvantitatívne indikátory, čím sa pre následok inverzného modelu ukladá základy solídnych údajov. Zároveň sú údaje normalizované, metóda normalizácie skóre Z -skóre sa vyberie na odstránenie rozdielov veľkosti rôznych parametrov a pozemky sa používajú na vizuálnu analýzu, aby sa zabezpečilo, že údaje spĺňajú požiadavky neurónovej siete BP. Stupeň vplyvu kvantitatívnych indikátorov kvantitatívnych kriviek na cieľové parametre je hodnotený a analyzovaný metódou korelačného korelácie Pearsona na určenie sily korelácie medzi každým indikátorom a parametrami siete zlomenín.
Podľa výsledkov analýzy dátovej stupnice a korelačnej analýzy sa ako konečné ciele hodnotenia vyberú dĺžka lomovej siete, šírka lomovej siete, výška siete zlomenín a objem siete zlomenín a na navrhnutie vhodných štruktúr neurónových sietí a hyper - parametrov sa prijíma samostatná metóda modelovania - samostatná metóda modelovania. Po krížových overovacích testoch vykazujú sieť hlbokého krmiva Tri -vrstvy - vpred významné výhody, pokiaľ ide o presnosť predpovedania parametrov siete zlomenín a účinnosti tréningu. Výsledky výskumu ukazujú, že model neurónovej siete so silne korelovanými charakteristickými parametrami vybranými ako vstupom môže získať relatívne presné výsledky parametrov siete zlomenín. Priemerná relatívna chyba výcvikovej sady sa riadi do 10%a priemerná relatívna chyba testovacej sady je menšia ako 15%, čo spĺňa prípustnú chybu pre inverziu parametrov siete lokality.
Záverom možno povedať, že metóda inverznej inverzie založenej na hlbokom vzdelávaní v sieťach bridlicových plynov poskytuje silnú technickú podporu pre efektívny vývoj a presné hodnotenie bridlicového plynu. Táto metóda môže presnejšie získať parametre siete zlomenín, optimalizovať frakčné operácie, zlepšiť regeneráciu bridlicových plynov a prispieť k trvalo udržateľnému rozvoju energetického poľa. V budúcnosti bude táto metóda ďalej študovaná a optimalizovaná tak, aby bola aplikovaná a popularizovaná vo viacerých bridlicových plynových nádržiach.