V dnešním energetickém oboru má břidlicový plyn jako důležitý nekonvenční zdroj zemního plynu velký význam pro svůj účinný rozvoj a přesné hodnocení. Inverze lomových sítí je klíčem k efektivnímu rozvoji a přesnému posouzení břidlicového plynu.
Tradiční metody však čelí mnoha výzvám, jako jsou vysoké náklady a neúplná data. V posledních letech přinesl rychlý rozvoj technologie hlubokého vzdělávání nové příležitosti a průlomy pro inverzi lomových sítí v nádržích břidlicových plynů. Nádrže břidlicového plynu jsou vysoce kompaktní a výrazně heterogenní, s extrémně nízkou přirozenou produkcí. Ačkoli tradiční technologie monitorování zlomenin (jako je mikro -seismické monitorování) mohou poskytnout některé informace, jsou nákladné a nemohou plně pokrýt oblast studny pro monitorování; Ačkoli modely predikce numerické simulace mají určitou roli, mají vysoké požadavky na integritu geologických údajů a predikční účinek není dobrý, když jsou geologická data neúplná nebo chybí dobře.
Na základě výše uvedené situace tento dokument navrhuje inverzní metodu lomových sítí v nádržích břidlicových plynů na základě hlubokého učení. Tato metoda je založena na datch křivky lomu ON - během konstrukce a provádí kvantitativní analýzu charakteristických parametrů zlomené křivky. Prostřednictvím výzkumu v hloubce se zjistilo, že přijetím silně korelovaných ukazatelů parametrů lomové sítě jako vstupu a mikro -seismické monitorování lomové síťové parametry (délka zlomenin, šířka, výška, objem) jako cílový výstup, BP (zpět propagace) neuronovou síť může být stanoveno pro ackutující invertní invertní síť. Ve specifickém výzkumu, založeným na 450 - segmentových zlomených křivkách břidlicových plynových jamek v západní oblasti Chongqing, se provádí modelový trénink a optimalizace parametrů.
Po testování je průměrná relativní chyba výsledků inverze parametru lomové sítě tohoto modelu menší než 15%, což ověřuje proveditelnost a účinnost nové metody pro inverzi lomových sítí v břidlicových plynových nádržích. Z technického hlediska má Deep Feed - Forward Neural Network (DFNN), jako důležitý algoritmus v hlubokém učení, strukturu neuronů s více vrstvami, která může přiblížit složité datové vzorce prostřednictvím lineární transformace. Neuronová síť BP, jako tréninková metoda DFNN, používá algoritmus šíření chyby zpět k úpravě hmotností a zkreslení sítě, má předávací mechanismy šíření a optimalizuje výkon sítě prostřednictvím více iterací, aby přesněji se přiblížil skutečnou hodnotu. Z hlediska zpracování dat jsou křivky konstrukce štěpení analyzovány kvantitativně v hloubce.
Křivka konstrukce štěpení je složena z tlaku vstřikování čerpadla, výtlaku konstrukce a křivek koncentrace písku, které jsou rozděleny do fáze přeplňovacího stupně, písku - přidání fáze lomu a fáze zastavení. Parametry charakteristiky zlomeniny jsou extrahovány pro různé fáze, jako je rostoucí tlak na jednotku objem předplachovací tekutiny, tlak zlomeniny atd. Celkem je jako kvantitativní indikátory vybráno celkem 18 charakteristických parametrů, přičemž pro následné zavedení modelu inverze je vybráno pevné datové základ. Současně jsou data normalizována, metoda normalizace z - skóre je vybrána, aby se eliminovaly rozdíly v různých parametrech a box - grafy se používají pro vizuální analýzu, aby se zajistilo, že data splňují požadavky neuronové sítě BP. Stupeň vlivu kvantitativních indikátorů zlomené křivky na cílové parametry je hodnocen a analyzován Pearsonovou korelační metodou pro stanovení síly korelace mezi každým indikátorem a parametry lomové sítě.
Podle výsledků stupnice datové stupnice a korelační analýzy jsou jako cíle konečného vyhodnocení vybrány délka lomové sítě, šířka sítě zlomeniny, výška lomové sítě a objemu lomové sítě a problém s převodem - samostatná metoda modelování je přijata pro navrhování vhodných struktur neuronové sítě a hyper -parametry. Po křížových a validačních testech vykazují síť Three - vrstva Deep Feed - Forward Síť, pokud jde o přesnost předpovídání parametrů lomové sítě a efektivitě školení. Výsledky výzkumu ukazují, že model neuronové sítě se silně korelovanými charakteristickými parametry vybranými jako vstup může získat relativně přesné výsledky parametru lomové sítě. Průměrná relativní chyba tréninkové sady je řízena v rámci 10%a průměrná relativní chyba testovací sady je menší než 15%, což splňuje přípustnou chybu pro inverzi parametrů sítě ON - Fracture.
Závěrem lze říci, že metoda inverze založená na hlubokém učení - založená na lomových sítích v nádržích břidlicových plynů poskytuje silnou technickou podporu pro efektivní rozvoj a přesné hodnocení břidlicového plynu. Tato metoda může přesněji získat parametry lomové sítě přesněji, optimalizovat zlomené operace, zlepšit regeneraci břidlicového plynu a přispívat k udržitelnému rozvoji energetického pole. V budoucnu bude tato metoda dále studována a optimalizována tak, aby byla aplikována a popularizována ve více nádržích břidlicových plynů.