У данашњем енергетском пољу, сјајни гас, као важан неконвенционални ресурс природног гаса, је од великог значаја за њен ефикасан развој и прецизну процену. Инверзија преломених мрежа кључ је ефикасног развоја и прецизне процене шкриљаца.
Међутим, традиционалне методе суочавају се са многим изазовима, као што су високе трошкове и непотпуне податке. Посљедњих година, брзи развој технологије дубоког учења донео је нове могућности и пробој за инверзију преломе у резервоаре у шкриљевци. Резервоари шкриљаца гаса су врло компактни и знатно хетерогени, са изузетно ниском природном производњом. Иако традиционалне технологије мониторинга прелома (као што су микро-сеизмички надзор) могу пружити неке информације, они су скупи и не могу у потпуности да покрију добро праћење; Иако нумерички модели предвиђања симулације имају одређену улогу, они имају високе захтеве за интегритет геолошких података, а ефекат предвиђања није добар када су геолошки подаци непотпуни или су нестали или недостају добро одељке.
На основу горње ситуације, овај рад предлаже инверзију метода прелома мрежа у резервоарима Схале гаса на основу дубоког учења. Ова метода се заснива на преносу о кривуље на лицу места током изградње и спроводи квантитативну анализу карактеристичних параметара кривуље прелома. Управо у дубинским истраживањима, откривено је да тако што ће водити снажно корелиране показатеље параметара преломе као уноса и микро-сеизмичког праћења мрежних мрежа прелома (дужина преломене мреже, ширина, висина, запремина) као циљани излаз, модел неверне мреже за преносне мреже може се утврдити да би тачно окренуо параметре прелома. У одређеном истраживању, засновано на кривуље прелома у сегменту у вештинској гасној бушотини у западном цхонгкинг подручју, врше се оптимизација обуке и оптимизација параметара.
Након тестирања, просечна релативна грешка инверзије параметара у немирању прелома је мање од 15%, што верификује изводљивост и ефикасност нове методе за инверзију преломених мрежа у резервоарима пукотина. Из техничке перспективе, дубока неуронска мрежа напред напред (ДФНН), као важан алгоритам у дубоком учењу, има вишеслојну структуру неурона која може приближити сложене обрасце података кроз нелинеарну трансформацију. БП неуронска мрежа, као метода обуке ДФНН-а, користи алгоритам грешке - алгоритам за подешавање мреже и пристраности, има механизме уназад и грешке на уназад и оптимизира мрежне перформансе кроз вишеструке итерације на вишеструко приближно је приближно опције. У погледу обраде података, кривуље са прелома прелома се анализирају квантитативно у дубини.
Кривуља за прелогу састоји се од притиска убризгавања пумпе, расељавање грађевине и кривуља концентрације песка, које су подељене у позорницу пре песка, песак - додавање фактурирајућих фактора и пумпе за заустављање. Карактеристични параметри преломи су екстраховани за различите фазе, као што су растући притисак по јединици запремине течности, притиска прелома итд. Укупно 18 карактеристичних параметара одабрано је као квантитативни индикатори, постављајући чврсту индикатори за наредни успостављање модела инверзије. Истовремено, подаци су нормализовани, начин нормализације СЦРОЦЕ је изабрано да би се елиминисала разлике различитог параметра, а кутија - парцеле користе се за визуелну анализу како би се осигурало да подаци испуњавају захтеве БП неуронске мреже. Степен утицаја квантитативних показатеља прелома на циљном параметрима рангиран је и анализиран методом корелације Пеарсон корелације како би се утврдила снага корелације између сваког индикатора и параметара мреже прелома.
Према резултатима скале података и у корелацијском анализу, дужина мреже прелома, ширина преломе, пролома Мрежа Висина и волумена за прелогу, као и коначни циљеви за оцењивање, а проблем конверзије - Одвојени метод моделирања усвоје се за дизајн одговарајућих неуронских мрежних мрежа и хипер-параметра. Након испитивања на унакрсним валидацијама, Трослојна мрежа дубоког фееда показује значајне предности у погледу тачности предвиђања параметара прелома и ефикасности обуке. Резултати истраживања показују да модел неуронске мреже са снажно корелираним карактеристичним параметрима изабраним као улаз може добити релативно прецизне резултате параметра прелома. Просечна релативна грешка сета обуке је контролирана у року од 10%, а просечна релативна грешка тестирања је мања од 15%, што задовољава дозвољену грешку за инверзију параметра мреже на лицу места.
Закључно, инверзија заснована на дубоким учењем мрежа прелома у резервоарима Схале-а пружа снажну техничку подршку ефикасном развоју и прецизне процене шкриљаца. Ова метода може прецизније добити параметре преломе мреже, оптимизирати операције преломања, побољшати опоравак шприлице и допринети одрживом развоју енергетског поља. У будућности ће ова метода бити даље проучавана и оптимизована да би се применила и популаризовала у више резервоара за гас Схале.