ในสาขาพลังงานของวันนี้ก๊าซจากชั้นหินซึ่งเป็นทรัพยากรก๊าซธรรมชาติที่ไม่เป็นทางการที่สำคัญมีความสำคัญอย่างยิ่งสำหรับการพัฒนาที่มีประสิทธิภาพและการประเมินที่แม่นยำ การผกผันของเครือข่ายการแตกหักเป็นกุญแจสำคัญในการพัฒนาที่มีประสิทธิภาพและการประเมินที่แม่นยำของก๊าซจากชั้นหิน
อย่างไรก็ตามวิธีการดั้งเดิมเผชิญกับความท้าทายมากมายเช่นต้นทุนสูงและข้อมูลที่ไม่สมบูรณ์ ในช่วงไม่กี่ปีที่ผ่านมาการพัฒนาอย่างรวดเร็วของเทคโนโลยีการเรียนรู้ที่ลึกล้ำได้นำโอกาสใหม่ ๆ และความก้าวหน้าสำหรับการผกผันของเครือข่ายการแตกหักในอ่างเก็บน้ำก๊าซจากชั้นหิน อ่างเก็บน้ำของก๊าซจากชั้นหินมีขนาดกะทัดรัดและมีความหลากหลายอย่างมีนัยสำคัญโดยมีการผลิตตามธรรมชาติต่ำมาก แม้ว่าเทคโนโลยีการตรวจสอบการแตกหักแบบดั้งเดิม (เช่นการตรวจสอบแผ่นดินไหว) สามารถให้ข้อมูลบางอย่างได้ แต่ก็มีค่าใช้จ่ายสูงและไม่สามารถครอบคลุมพื้นที่ที่ดีสำหรับการตรวจสอบได้อย่างเต็มที่ แม้ว่าแบบจำลองการทำนายการจำลองเชิงตัวเลขมีบทบาทบางอย่าง แต่พวกเขามีความต้องการสูงสำหรับความสมบูรณ์ของข้อมูลทางธรณีวิทยาและผลการทำนายไม่ดีเมื่อข้อมูลทางธรณีวิทยาไม่สมบูรณ์หรือมีส่วนที่ขาดหายไป
จากสถานการณ์ข้างต้นบทความนี้เสนอวิธีการผกผันของเครือข่ายการแตกหักในอ่างเก็บน้ำก๊าซจากชั้นหินจากการเรียนรู้อย่างลึกซึ้ง วิธีนี้ขึ้นอยู่กับข้อมูลเส้นโค้งการแตกหักของไซต์ในระหว่างการก่อสร้างและดำเนินการวิเคราะห์เชิงปริมาณเกี่ยวกับพารามิเตอร์ลักษณะของเส้นโค้งการแตกหัก ผ่านการวิจัยเชิงลึกพบว่าการใช้ตัวชี้วัดที่สัมพันธ์กันอย่างมากของพารามิเตอร์เครือข่ายการแตกหักเป็นอินพุตและพารามิเตอร์เครือข่ายการตรวจสอบแผ่นดินไหวที่มีการตรวจสอบแผ่นดินไหว (ความยาวเครือข่ายการแตกหักความกว้างความสูงความสูง) เป็นเอาท์พุทเป้าหมาย ในการวิจัยเฉพาะขึ้นอยู่กับ 450 - ส่วนโค้งการแตกหักของบ่อก๊าซจากชั้นหินในพื้นที่ฉงชิ่งตะวันตกการฝึกอบรมแบบจำลองและการเพิ่มประสิทธิภาพพารามิเตอร์จะดำเนินการ
หลังจากการทดสอบข้อผิดพลาดสัมพัทธ์เฉลี่ยของพารามิเตอร์การผกผันของพารามิเตอร์เครือข่ายการแตกหักของรุ่นนี้น้อยกว่า 15%ซึ่งตรวจสอบความเป็นไปได้และประสิทธิภาพของวิธีการใหม่สำหรับการผกผันของเครือข่ายการแตกหักในอ่างเก็บน้ำหินดินดาน จากมุมมองทางเทคนิคฟีดลึก - ไปข้างหน้าเครือข่ายประสาท (DFNN) ซึ่งเป็นอัลกอริทึมที่สำคัญในการเรียนรู้ลึกมีโครงสร้างเซลล์ประสาทหลายชั้นที่สามารถประมาณรูปแบบข้อมูลที่ซับซ้อนผ่านการแปลงเชิงเส้นที่ไม่ใช่เชิงเส้น เครือข่ายนิวรัล BP ซึ่งเป็นวิธีการฝึกอบรมของ DFNN ใช้ข้อผิดพลาดกลับ - อัลกอริทึมการแพร่กระจายเพื่อปรับน้ำหนักและอคติของเครือข่ายมีการแพร่กระจายไปข้างหน้าและกลไกการแพร่กระจายของการแพร่กระจายและเพิ่มประสิทธิภาพของเครือข่ายผ่านการวนซ้ำหลายครั้ง ในแง่ของการประมวลผลข้อมูลเส้นโค้งการก่อสร้างที่แตกหักจะถูกวิเคราะห์เชิงปริมาณในระดับความลึก
เส้นโค้งการก่อสร้างที่แตกหักประกอบด้วยแรงดันฉีดปั๊มการกระจัดการก่อสร้างและเส้นโค้งความเข้มข้นของทรายซึ่งแบ่งออกเป็นระยะก่อนที่จะล้างทราย - เพิ่มระยะการแตกหักและระยะหยุดปั๊ม พารามิเตอร์ลักษณะเส้นโค้งการแตกหักจะถูกสกัดตามลำดับสำหรับขั้นตอนที่แตกต่างกันเช่นความดันที่เพิ่มขึ้นต่อปริมาตรหน่วยของของเหลวก่อน - ล้างความดันแตกหัก ฯลฯ มีการเลือกพารามิเตอร์คุณสมบัติทั้งหมด 18 พารามิเตอร์เป็นตัวบ่งชี้เชิงปริมาณวางรากฐานข้อมูลที่เป็นของแข็ง ในเวลาเดียวกันข้อมูลจะถูกทำให้เป็นมาตรฐานวิธีการทำให้เป็นมาตรฐานของ Z - คะแนนถูกเลือกเพื่อกำจัดความแตกต่างของขนาดของพารามิเตอร์ที่แตกต่างกันและกล่อง - พล็อตจะใช้สำหรับการวิเคราะห์ด้วยภาพเพื่อให้แน่ใจว่าข้อมูลเป็นไปตามข้อกำหนดของเครือข่าย BP Neural ระดับของอิทธิพลของตัวชี้วัดเชิงปริมาณเส้นโค้งการแตกหักในพารามิเตอร์เป้าหมายได้รับการจัดอันดับและวิเคราะห์โดยวิธีสัมประสิทธิ์สหสัมพันธ์ของเพียร์สันเพื่อกำหนดความแข็งแรงของความสัมพันธ์ระหว่างตัวบ่งชี้แต่ละตัวและพารามิเตอร์เครือข่ายการแตกหัก
ตามผลการวิเคราะห์ระดับข้อมูลและความสัมพันธ์ความยาวเครือข่ายการแตกหักความกว้างของเครือข่ายการแตกหักความสูงของเครือข่ายการแตกหักและปริมาณเครือข่ายการแตกหักจะถูกเลือกเป็นเป้าหมายการประเมินขั้นสุดท้ายและปัญหาการแปลง - วิธีการสร้างแบบจำลองแยกต่างหากถูกนำมาใช้เพื่อออกแบบโครงสร้างเครือข่ายประสาทที่เหมาะสมและพารามิเตอร์ไฮเปอร์ - พารามิเตอร์ หลังจากการทดสอบการตรวจสอบความถูกต้องแล้วเครือข่ายฟีดลึกระดับสามชั้น - ไปข้างหน้าแสดงให้เห็นถึงข้อได้เปรียบที่สำคัญในแง่ของความถูกต้องของการทำนายพารามิเตอร์เครือข่ายการแตกหักและประสิทธิภาพการฝึกอบรม ผลการวิจัยแสดงให้เห็นว่าโมเดลเครือข่ายประสาทที่มีพารามิเตอร์คุณสมบัติที่มีความสัมพันธ์อย่างมากที่เลือกเป็นอินพุตสามารถได้ผลลัพธ์พารามิเตอร์เครือข่ายการแตกหักที่ค่อนข้างแม่นยำ ข้อผิดพลาดสัมพัทธ์เฉลี่ยของชุดการฝึกอบรมถูกควบคุมภายใน 10%และข้อผิดพลาดสัมพัทธ์เฉลี่ยของชุดทดสอบน้อยกว่า 15%ซึ่งเป็นไปตามข้อผิดพลาดที่อนุญาตสำหรับการผกผันพารามิเตอร์เครือข่ายการแตกหักของไซต์
โดยสรุปวิธีการผกผันแบบลึก - การเรียนรู้ของเครือข่ายการแตกหักในอ่างเก็บน้ำก๊าซจากชั้นหินให้การสนับสนุนทางเทคนิคที่แข็งแกร่งสำหรับการพัฒนาที่มีประสิทธิภาพและการประเมินที่แม่นยำของก๊าซจากชั้นหิน วิธีนี้สามารถรับพารามิเตอร์เครือข่ายการแตกหักได้อย่างแม่นยำมากขึ้นเพิ่มประสิทธิภาพการทำงานของการแตกหักปรับปรุงการกู้คืนก๊าซจากชั้นหินและนำไปสู่การพัฒนาอย่างยั่งยืนของสนามพลังงาน ในอนาคตวิธีนี้จะได้รับการศึกษาเพิ่มเติมและปรับให้เหมาะสมเพื่อให้มันใช้และเป็นที่นิยมในอ่างเก็บน้ำก๊าซจากชั้นหิน