У сучасному енергетичному полі сланцевий газ, як важливий нетрадиційний ресурс природного газу, має велике значення для його ефективного розвитку та точної оцінки. Інверсія мереж перелому є запорукою ефективного розвитку та точної оцінки сланцевого газу.
Однак традиційні методи стикаються з багатьма проблемами, такими як висока вартість та неповні дані. Останніми роками швидкий розвиток технологій глибокого навчання принесло нові можливості та прориви для інверсії мереж перелому в резервуарах сланцевого газу. Резервуари сланцевого газу є дуже компактними та значно неоднорідними, з надзвичайно низьким природним виробництвом. Хоча традиційні технології моніторингу перелому (такі як мікро -сейсмічний моніторинг) можуть надати певну інформацію, вони дорогі і не можуть повністю покрити область свердловини для моніторингу; Хоча числові моделі прогнозування моделювання мають певну роль, вони мають високі вимоги до цілісності геологічних даних, а ефект прогнозування не є хорошим, коли геологічні дані неповні або відсутні розділи свердловин.
На основі вищезазначеної ситуації в цьому документі пропонується метод інверсії мереж перелому в резервуарах сланцевого газу на основі глибокого навчання. Цей метод заснований на даних кривої розриву на ділянці під час побудови та проводить кількісний аналіз характерних параметрів кривої розриву. Завдяки дослідженню глибини, встановлено, що, приймаючи сильно корельовані показники параметрів мережі руйнування як вхідних та мікро -сейсмічних параметрів моніторингу моніторингу (довжина мережі руйнування, ширина, висота) як цільовий вихід, може бути встановлена модель інверсійної мережі BP (спинка), щоб враховувати параметри фракцій. У конкретних дослідженнях, заснованих на 450 - криві розриву сегменту свердловин сланцевих газів у західній зоні Чункін, проводяться модельні тренування та оптимізація параметрів.
Після тестування середня відносна помилка результатів інверсії параметрів мережі руйнування цієї моделі становить менше 15%, що перевіряє доцільність та ефективність нового методу інверсії мереж руйнування в резервурах сланців сланців. З технічної точки зору, нейронна мережа глибокої подачі - вперед (DFNN), як важливий алгоритм глибокого навчання, має багатофункціональну структуру нейронів, яка може наближати складні схеми даних за допомогою не лінійної трансформації. Нейронна мережа BP, як метод навчання DFNN, використовує алгоритм поширення помилки для регулювання ваги та зміщення мережі, має механізми розповсюдження вперед та помилки - оптимізує продуктивність мережі за допомогою декількох ітерацій, щоб більш точно наблизити справжнє значення. З точки зору обробки даних, криві конструкції розриву кількісно аналізуються в глибині.
Крива будівництва розриву складається з тиску впорскування насоса, переміщення будівництва та кривих концентрації піску, які поділяються на стадію попереднього промивання, пісок - додавання стадії розриву та стадії зупинки насоса. Характерні параметри кривої розриву відповідно витягуються для різних стадій, таких як зростаючий тиск на одиницю об'єму попередньої промивання, тиск руйнування тощо. Всього 18 характерних параметрів вибираються як кількісні показники, що закладає тверду основу даних для підкріплення моделі інверсій. У той же час, дані нормалізуються, метод нормалізації Z - вибирається для усунення різниць величини різних параметрів, а для візуального аналізу використовуються графіки, щоб переконатися, що дані відповідають вимогам нейронної мережі BP. Ступінь впливу кількісних показників кривої розриву на цільові параметри класифікується та аналізується методом коефіцієнта кореляції Пірсона для визначення міцності кореляції між кожним показником та параметрами мережі руйнування.
Згідно з результатами шкали даних та кореляційним аналізом, довжина мережі руйнування, ширина мережі руйнування, об'єм мережі руйнування та об'єм мережі руйнування вибираються як кінцеві цілі оцінки, а задача перетворення - окремий метод моделювання прийнятий для розробки відповідних структур нейронної мережі та гіпер - параметрів. Після перехресних тестів на валідацію тривайна мережа глибокої подачі вперед демонструє значні переваги з точки зору точності прогнозування параметрів мережі перелому та ефективності навчання. Результати досліджень показують, що модель нейронної мережі з сильно корельованими характерними параметрами, вибраними як вхід, може отримати відносно точні результати параметрів мережі перелому. Середня відносна помилка набору тренувань контролюється в межах 10%, а середня відносна помилка набору тестів становить менше 15%, що відповідає допустимій помилці для інверсії параметрів мережі перелому сайту.
На закінчення, метод інверсії на основі інверсії на основі навчання в мережах руйнування в резервуарах сланцевих газів надає сильну технічну підтримку ефективного розвитку та точної оцінки сланцевого газу. Цей метод може більш точно отримувати параметри мережі руйнування, оптимізувати операції з розриву, покращити відновлення сланцевих газів та сприяти сталому розвитку енергетичного поля. Надалі цей метод буде додатково вивчений та оптимізований, щоб він застосував та популяризував у більшому водоймах сланцевого газу.