Tänapäeva energiavaldkonnas on põlevkivigaas kui oluline ebatraditsiooniline maagaasi ressurss selle tõhusa arengu ja täpse hindamise jaoks suurt tähtsust. Murmuvõrkude ümberpööramine on põlevkivigaasi tõhusa arengu ja täpse hindamise võti.
Traditsioonilised meetodid seisavad silmitsi paljude väljakutsetega, näiteks kõrgete kulude ja mittetäielike andmete ees. Viimastel aastatel on sügava õppetehnoloogia kiire areng toonud uusi võimalusi ja läbimurdeid luumurdude võrkude ümberpööramiseks põlevkivigaaside reservuaarides. Põlevkivigaasi reservuaarid on väga kompaktsed ja märkimisväärselt heterogeensed, äärmiselt madala loodusliku toodanguga. Kuigi traditsioonilised luumurdude jälgimise tehnoloogiad (näiteks mikro -seismiline seire) võivad teatavat teavet anda, on need kulukad ega suuda täielikult katta seirekaevu piirkonda; Ehkki numbriliste simulatsiooni ennustamismudelitel on teatav roll, on neil geoloogiliste andmete terviklikkusele kõrged nõuded ja ennustusefekt pole hea, kui geoloogilised andmed on puudulikud, või puuduvad kaevu sektsioonid.
Ülaltoodud olukorra põhjal pakutakse käesolevas artiklis sügaval õppimisel põlevkivigaasi reservuaarides luumurdude võrkude inversioonimeetodit. See meetod põhineb saidi purustamiskõvera andmete põhjal ehituse ajal ja viib läbi kvantitatiivse analüüsi purunemiskõvera iseloomulike parameetrite kohta. Sügavuste uurimistöö kaudu leitakse, et kasutades tugevalt korrelatsioonis luumurdude võrgu parameetrite sisendina ja mikro -seismiliste seiremurdude võrgu parameetrite (luumurdude võrgu pikkus, laius, kõrgus, maht) kui sihtväljund, saab BP (selja levimise) võrgustiku inversioonimudelit teha täpseks muurudes. Konkreetsetes uuringutes, mis põhinevad 450 - segmendil põlevkiviga kaevude purustamiskõverad läänepoolses Chongqingi piirkonnas, viiakse läbi mudeli treenimine ja parameetrite optimeerimine.
Pärast testimist on selle mudeli murdumisvõrgu parameetrite inversiooni tulemuste keskmine suhteline viga alla 15%, mis kontrollib uue meetodi teostatavust ja tõhusust murdumisvõrkude ümberpööramiseks põlevkivigaaside reservuaarides. Tehnilisest vaatenurgast on sügav sööda - edasisi närvivõrk (DFNN) kui sügava õppimise olulise algoritmi, mitmekihilise neuronstruktuuri, mis võib keerulisi andmemustreid ligikaudselt ligikaudselt ligikaudselt ligikaudselt ligikaudselt ligikaudselt lineaarse muundamise kaudu. BP närvivõrk kasutab DFNN -i treeningmeetodit tõrke tagasilöögi algoritmi võrgukaalu ja eelarvamuste kohandamiseks, levimise ja tõrke tagasilöögiks - levimismehhanismid ning optimeerib võrgu jõudlust mitme iteratsiooni kaudu, et tegelikku väärtust täpsemalt lähendada. Andmetöötluse osas analüüsitakse purustamiskõveraid kvantitatiivselt sügavuses.
Koorumiskõver koosneb pumba sissepritserõhust, konstruktsiooni nihkest ja liivakontsentratsiooni kõveratest, mis jagunevad loputusjärgsesse etappi, liivaks -, lisades purunemise etapi ja pumba peatumise etapi. Kõvera purustamise iseloomulikud parameetrid ekstraheeritakse vastavalt erinevatel etappidel, näiteks suurenev rõhk eelneva vedeliku eelse mahu, luumurdude jms ühiku kohta. Kokku valitakse kvantitatiivsete indikaatoritena 18 iseloomulikku parameetrit, pannes tahke andmesidemendi inversioonimudeli järgnevaks loomiseks. Samal ajal normaliseeritakse andmed, valitakse z -skoori normaliseerimismeetod, et kõrvaldada erinevate parameetrite suurusjärk ja visuaalseks analüüsiks kasutatakse graafikuid tagamaks, et andmed vastavad BP närvivõrgu nõuetele. Kõvera murdumiskõvera kvantitatiivsete näitajate mõju aste sihtparameetritele järjestatakse ja analüüsitakse Pearsoni korrelatsioonikoefitsiendi meetodil, et määrata iga indikaatori ja murruvõrgu parameetrite vahelise korrelatsiooni tugevus.
Andmeskaala ja korrelatsioonianalüüsi tulemuste kohaselt valitakse lõpphindamise eesmärkidena luumurdude võrgu pikkus, luumurdude võrgu laius, luumurdude võrgu kõrgus ja luumurdude võrk ning teisendusprobleem - eraldi modelleerimismeetod võetakse kasutusele sobivate närvivõrgu struktuuride ja hüper -parameetrite kavandamiseks. Pärast ristvalideerimise teste näitab kolmekihilist sügavat sööda edasi -võrk, mis näitab olulisi eeliseid luumurdude võrgu parameetrite ennustamise ja treeningu tõhususe täpsuse osas. Uurimistulemused näitavad, et sisendiks valitud tugevalt korrelatsioonis olevate iseloomulike parameetritega närvivõrgu mudel võib saada suhteliselt täpse murdumisvõrgu parameetrite tulemusi. Treeningkomplekti keskmist suhtelist viga kontrollitakse 10%piires ja testkomplekti keskmine suhteline viga on väiksem kui 15%, mis vastab saidi luumurdude võrgu parameetri inversioonile lubatud veale.
Kokkuvõtteks võib öelda, et põlevkivigaasi reservuaaride luumurdude võrkude sügav õppimine põhineb tugevat tehnilist tuge põlevkivigaasi tõhusaks arendamiseks ja täpseks hindamiseks. See meetod saab murdumisvõrgu parameetreid täpsemalt hankida, optimeerida purustamistoiminguid, parandada põlevkivigaasi taastumist ja aitab kaasa energiavaldkonna säästvale arengule. Tulevikus uuritakse seda meetodit edasi ja optimeeritakse, et see rakendaks ja populariseeritakse rohkem põlevkivigaasi reservuaarides.