Na današnjem energetskem področju je plin iz skrilavca kot pomemben nekonvencionalen vir zemeljskega plina velik pomen za njegov učinkovit razvoj in natančno oceno. Inverzija lomnih omrežij je ključna za učinkovit razvoj in natančno oceno plina iz skrilavca.
Vendar se tradicionalne metode soočajo s številnimi izzivi, kot so visoki stroški in nepopolni podatki. V zadnjih letih je hiter razvoj tehnologije za globoko učenje prinesel nove priložnosti in preboje za inverzijo loma v rezervoarjih plina iz skrilavca. Rezervoarji plina iz skrilavca so zelo kompaktni in bistveno heterogeni, z izjemno nizko naravno proizvodnjo. Čeprav lahko tradicionalne tehnologije za spremljanje zlomov (na primer mikro -potresno spremljanje) zagotavljajo nekatere informacije, so drage in ne morejo v celoti pokriti območja vrtine za spremljanje; Čeprav imajo modeli numerične simulacije določeno vlogo, imajo velike zahteve za celovitost geoloških podatkov, učinek napovedovanja pa ni dober, kadar so geološki podatki nepopolni ali manjkajo odseki.
Na podlagi zgornje situacije ta članek predlaga inverzijsko metodo loma v rezervoarjih plina iz skrilavca, ki temelji na globokem učenju. Ta metoda temelji na podatkih krivulje na mestu na mestu med gradnjo in izvaja kvantitativno analizo na značilnih parametrih krivulje loma. V raziskavah v globini je ugotovljeno, da lahko z močnim koreliranim kazalnikom parametrov omrežja loma kot vhodne in mikro -potresne spremljanje parametrov omrežja za lom (dolžina loma omrežja, širina, višina, volumen) kot ciljni izhod, BP (za nazaj razmnoževanje) nevropne omrežne model. V posebnih raziskavah, ki temeljijo na 450 - krivuljah segmentov, se izvajajo krivulje vrtin plina iz skrilavca na območju zahodnega Chongqinga, se izvajajo modelni usposabljanje in optimizacija parametrov.
Po testiranju je povprečna relativna napaka rezultatov inverzijske rezultate parametra loma v tem modelu manjša od 15%, kar preverja izvedljivost in učinkovitost nove metode za inverzijo loma v rezervoarjih za skrilavce. S tehnične perspektive ima nevronska mreža Deep Feed - Forward (DFNN) kot pomemben algoritem pri globokem učenju večplastno strukturo nevronov, ki lahko približa kompleksne vzorce podatkov z ne -linearno transformacijo. Nevronska mreža BP kot metoda usposabljanja DFNN uporablja algoritem za napako nazaj - za prilagajanje omrežnih uteži in pristranskosti, širjenje in napako nazaj - mehanizme za širjenje in napake ter optimizira delovanje omrežja z več ponovitvami, da natančneje približa resnično vrednost. Glede na obdelavo podatkov se konstrukcijske krivulje lomljenja kvantitativno analizirajo v globini.
Krivulja konstrukcije lomljenja je sestavljena iz tlaka vbrizgavanja črpalke, premika konstrukcije in krivulj koncentracije peska, ki so razdeljene na stopnjo pred izpiranjem, peskom - dodajanje loma in črpalke - stopnja zaustavljanja. Značilni parametri krivulje lomljenja so izvlečeni za različne stopnje, kot so naraščajoči tlak na enoto volumna predhodno tekočine, tlak loma itd. Skupno 18 značilnih parametrov je izbranih kot kvantitativni kazalniki, ki postavljajo trdni podatkovni temelj za naknadno vzpostavitev inverzijskega modela. Obenem se podatki normalizirajo, metoda N - Normalizacije z - je izbrana za odpravo razlik v raznolikosti različnih parametrov, za vizualno analizo pa se uporabljajo za zagotovitev, da podatki izpolnjujejo zahteve nevronskega omrežja BP. Stopnja vpliva kvantitativnih kazalnikov krivulje lomljenja na ciljne parametre je razvrščena in analizirana po Pearsonovi korelacijski metodi za določitev trdnosti korelacije med vsakim indikatorjem in parametri omrežja loma.
Glede na rezultate podatkovne lestvice in korelacijske analize se kot končne cilje ocenjevanja izberejo dolžina omrežja loma, širina omrežja loma, višina loma in volumen omrežja loma, in problem pretvorbe - ločena metoda modeliranja je sprejeta za oblikovanje ustreznih struktur nevronskih omrežij in hiper -parametrov. Po navzkrižnih testih za validacijo trije slojni globoki podajanje - naprej omrežje kaže na pomembne prednosti v smislu natančnosti napovedovanja parametrov omrežja loma in učinkovitosti usposabljanja. Rezultati raziskav kažejo, da lahko model nevronske mreže z močno koreliranimi značilnimi parametri, izbranimi kot vhod, lahko dobijo razmeroma natančne rezultate parametra omrežja loma. Povprečna relativna napaka vadbenega niza je nadzorovana v 10%, povprečna relativna napaka testnega niza pa je manjša od 15%, kar ustreza dovoljeni napaki za inverzijo parametra omrežja na spletnem mestu ON.
Za zaključek metoda inverzijske mreže loma v rezervoarjih plina na osnovi globokega učenja zagotavlja močno tehnično podporo za učinkovit razvoj in natančno oceno plina iz skrilavca. Ta metoda lahko natančneje pridobi parametre omrežja loma, optimizira operacije lomljenja, izboljša okrevanje plina iz skrilavca in prispeva k trajnostnemu razvoju energetskega polja. V prihodnosti bomo to metodo nadalje preučevali in optimizirali, da se bo uporabila in popularizirala v več rezervoarjih plina iz skrilavca.