In het hedendaagse energieveld is schaliegas, als een belangrijke onconventionele aardgasbron, van groot belang voor de efficiënte ontwikkeling en nauwkeurige beoordeling. De inversie van breuknetwerken is de sleutel tot de efficiënte ontwikkeling en nauwkeurige beoordeling van schaliegas.
Traditionele methoden staan echter voor veel uitdagingen, zoals hoge kosten en onvolledige gegevens. In de afgelopen jaren heeft de snelle ontwikkeling van deep -leertechnologie nieuwe kansen en doorbraken gebracht voor de inversie van breuknetwerken in schaliegasreservoirs. De reservoirs van schaliegas zijn zeer compact en aanzienlijk heterogeen, met een extreem lage natuurlijke productie. Hoewel traditionele fractuurbewakingstechnologieën (zoals micro -seismische monitoring) wat informatie kunnen bieden, zijn ze duur en kunnen ze het putgebied niet volledig dekken; Hoewel numerieke simulatievoorspellingsmodellen een bepaalde rol spelen, hebben ze een hoge vereisten voor de integriteit van geologische gegevens, en het voorspellingseffect is niet goed wanneer de geologische gegevens onvolledig zijn of er putsecties ontbreken.
Op basis van de bovenstaande situatie stelt dit artikel een inversiemethode voor van breuknetwerken in schaliegasreservoirs op basis van diep leren. Deze methode is gebaseerd op de op -site breukcurve -gegevens tijdens de constructie en voert kwantitatieve analyse uit op de karakteristieke parameters van de breukcurve. Door middel van in - diepteonderzoek blijkt dat door de sterk gecorreleerde indicatoren van breuknetwerkparameters te nemen als invoer en de micro -seismische monitoringbreuknetwerkparameters (breuknetwerklengte, breedte, hoogte, volume) als de doeluitgang, een BP (back -propagatie) neuraal netwerk -inversiemodel kan worden ingesteld om de fractie -netwerkparameters te maken. In specifiek onderzoek, gebaseerd op 450 - segment breukcurves van schaliegasputten in het westelijke Chongqing -gebied, worden modellatietraining en parameteroptimalisatie uitgevoerd.
Na het testen is de gemiddelde relatieve fout van het breuknetwerkparameterinversieresultaten van dit model minder dan 15%, wat de haalbaarheid en effectiviteit van de nieuwe methode voor de inversie van breuknetwerken in schaliegasreservoirs verifieert. Vanuit een technisch perspectief heeft het diepe voer - vooruit neurale netwerk (DFNN), als een belangrijk algoritme in diep leren, een multi -laag neuronstructuur die complexe gegevenspatronen kan benaderen door niet -lineaire transformatie. Het BP Neural Network, als een trainingsmethode van DFNN, gebruikt het foutback -propagatie -algoritme om netwerkgewichten en vooroordelen aan te passen, heeft voorwaartse voortplanting en fout terug -propagatiemechanismen en optimaliseert netwerkprestaties door meerdere iteraties om de werkelijke waarde nauwkeuriger te benaderen. In termen van gegevensverwerking worden de breukconstructiekrommen kwantitatief geanalyseerd in - diepte.
De breukconstructiekromme bestaat uit pompinjectiedruk, bouwverplaatsing en zandconcentratiecurves, die zijn verdeeld in het pre -flush -stadium, zand - het toevoegen van breukstadium en pompstopstadium. Breukcurve Karakteristieke parameters worden respectievelijk geëxtraheerd voor verschillende fasen, zoals de stijgende druk per volume -eenheid Volume van pre -flush -vloeistof, breukdruk, enz. In totaal worden 18 karakteristieke parameters geselecteerd als kwantitatieve indicatoren, die een solide data -basis leggen voor de daaropvolgende vestiging van het inversiemodel. Tegelijkertijd worden de gegevens genormaliseerd, de z - score -normalisatiemethode is geselecteerd om de grootteverschillen van verschillende parameters te elimineren en worden box -plots gebruikt voor visuele analyse om ervoor te zorgen dat de gegevens voldoen aan de vereisten van het BP -neurale netwerk. De mate van invloed van de kwantitatieve indicatoren van de breukcurve op de doelparameters wordt gerangschikt en geanalyseerd door de Pearson -correlatiecoëfficiëntmethode om de sterkte van de correlatie tussen elke indicator en de parameters van het breuknetwerk te bepalen.
Volgens de resultaten van de gegevensschaal- en correlatieanalyseresultaten worden de breuknetwerklengte, breuknetwerkbreedte, breuknetwerkhoogte en breuknetwerkvolume geselecteerd als de uiteindelijke evaluatiedoelen en het conversieprobleem - afzonderlijke modelleringsmethode wordt aangenomen om geschikte neurale netwerkstructuren en hyper - parameters te ontwerpen. Na kruising - validatietests vertoont het drie -laags diepe feed - forward -netwerk aanzienlijke voordelen in termen van de nauwkeurigheid van het voorspellen van breuknetwerkparameters en trainingsefficiëntie. De onderzoeksresultaten tonen aan dat het neurale netwerkmodel met sterk gecorreleerde karakteristieke parameters geselecteerd als input relatief nauwkeurige breuknetwerkparameterresultaten kan verkrijgen. De gemiddelde relatieve fout van de trainingsset wordt geregeld binnen 10%, en de gemiddelde relatieve fout van de testset is minder dan 15%, die voldoet aan de toegestane fout voor op -sitefractuurnetwerkparameterinversie.
Concluderend, de diepgaande leer -gebaseerde inversiemethode van breuknetwerken in schaliegasreservoirs biedt sterke technische ondersteuning voor de efficiënte ontwikkeling en nauwkeurige beoordeling van schaliegas. Deze methode kan breuknetwerkparameters nauwkeuriger verkrijgen, breukactiviteiten optimaliseren, het herstel van het schaliegas verbeteren en bijdragen aan de duurzame ontwikkeling van het energieveld. In de toekomst zal deze methode verder worden bestudeerd en geoptimaliseerd om deze te maken en populair te maken in meer schaliegasreservoirs.