Στον σημερινό ενεργειακό τομέα, το σχιστόλιθο, ως ένας σημαντικός μη συμβατικός πόρος φυσικού αερίου, έχει μεγάλη σημασία για την αποτελεσματική ανάπτυξη και την ακριβή αξιολόγηση. Η αναστροφή των δικτύων θραύσης είναι το κλειδί για την αποτελεσματική ανάπτυξη και την ακριβή αξιολόγηση του φυσικού αερίου σχιστόλιθου.
Ωστόσο, οι παραδοσιακές μέθοδοι αντιμετωπίζουν πολλές προκλήσεις, όπως υψηλό κόστος και ελλιπή δεδομένα. Τα τελευταία χρόνια, η ταχεία ανάπτυξη της βαθιάς τεχνολογίας μάθησης έφερε νέες ευκαιρίες και ανακαλύψεις για την αναστροφή των δικτύων θραύσης σε δεξαμενές φυσικού αερίου σχιστόλιθου. Οι δεξαμενές του φυσικού αερίου σχιστόλιθου είναι εξαιρετικά συμπαγείς και σημαντικά ετερογενείς, με εξαιρετικά χαμηλή φυσική παραγωγή. Παρόλο που οι παραδοσιακές τεχνολογίες παρακολούθησης κατάγματος (όπως η μικρο -σεισμική παρακολούθηση) μπορούν να παρέχουν κάποιες πληροφορίες, είναι δαπανηρές και δεν μπορούν να καλύψουν πλήρως την περιοχή φρεατίου για παρακολούθηση. Αν και τα μοντέλα πρόβλεψης αριθμητικής προσομοίωσης έχουν ορισμένο ρόλο, έχουν υψηλές απαιτήσεις για την ακεραιότητα των γεωλογικών δεδομένων και το αποτέλεσμα πρόβλεψης δεν είναι καλό όταν τα γεωλογικά δεδομένα είναι ελλιπή ή λείπουν καλά τμήματα.
Με βάση την παραπάνω κατάσταση, το παρόν έγγραφο προτείνει μια μέθοδο αναστροφής των δικτύων θραύσης σε δεξαμενές φυσικού αερίου σχιστόλιθου που βασίζονται στη βαθιά μάθηση. Αυτή η μέθοδος βασίζεται στα δεδομένα καμπύλης θραύσης ON - κατά τη διάρκεια της κατασκευής και διεξάγει ποσοτική ανάλυση στις χαρακτηριστικές παραμέτρους της καμπύλης θραύσης. Μέσω της έρευνας σε βάθος, διαπιστώνεται ότι με τη λήψη των έντονα συσχετισμένων δεικτών των παραμέτρων του δικτύου θραύσης ως εισροών και των μικρο -σεισμικών παραμέτρων δικτύου θραύσης (μήκος δικτύου θραύσης, πλάτος, ύψος, όγκος) ως έξοδος στόχου, ένα μοντέλο νευρικού δικτύου BP (πίσω προστάσεως) μπορεί να καθοριστεί για την ακρίβεια των παραμέτρων του δικτύου θραύσης. Σε συγκεκριμένες έρευνες, βασισμένες σε καμπύλες 450 - τμήματος διαταραχών των φρεάτια σχιστολιθικού αερίου στη δυτική περιοχή του Τσογκγκ, η εκπαίδευση μοντέλων και η βελτιστοποίηση παραμέτρων πραγματοποιούνται.
Μετά τη δοκιμή, το μέσο σχετικό σφάλμα των αποτελεσμάτων αναστροφής των παραμέτρων του δικτύου θραύσης είναι μικρότερο από 15%, γεγονός που επαληθεύει τη σκοπιμότητα και την αποτελεσματικότητα της νέας μεθόδου για την αναστροφή των δικτύων θραύσης σε δεξαμενές αερίου σχιστόλιθου. Από τεχνική άποψη, το Deep Feed - Forward Neural Network (DFNN), ως σημαντικός αλγόριθμος στη βαθιά μάθηση, έχει μια δομή νευρώνων πολλαπλών στρώσεων που μπορεί να προσεγγίσει σύνθετα πρότυπα δεδομένων μέσω μη γραμμικού μετασχηματισμού. Το Neural Network BP, ως μέθοδος κατάρτισης του DFNN, χρησιμοποιεί τον αλγόριθμο διάδοσης σφάλματος για να προσαρμόσει τα βάρη και τις προκαταλήψεις του δικτύου, έχει τους μηχανισμούς διάδοσης και σφάλματος πίσω και βελτιστοποιεί την απόδοση του δικτύου μέσω πολλαπλών επαναλήψεων για την ακριβέστερη προσέγγιση της πραγματικής αξίας. Όσον αφορά την επεξεργασία δεδομένων, οι καμπύλες κατασκευής θραύσης αναλύονται ποσοτικά σε βάθος.
Η καμπύλη κατασκευής θραύσης αποτελείται από πίεση έγχυσης αντλίας, μετατόπιση κατασκευής και καμπύλες συγκέντρωσης άμμου, οι οποίες χωρίζονται στο στάδιο πριν από το φλοιό, την άμμο - προσθέτοντας στάδιο κάλυψης και στάδιο της αντλίας. Οι χαρακτηριστικές παράμετροι της καμπύλης θραύσης αντιστοιχούν αντίστοιχα για διαφορετικά στάδια, όπως η αύξηση της πίεσης ανά μονάδα όγκου του υγρού προ -εκπλύσεων, της πίεσης κατάγματος κλπ. Συνολικά 18 χαρακτηριστικές παράμετροι επιλέγονται ως ποσοτικοί δείκτες, τοποθετώντας ένα στερεό θεμέλιο δεδομένων για την επακόλουθη εγκατάσταση του μοντέλου αναστροφής. Ταυτόχρονα, τα δεδομένα κανονικοποιούνται, επιλέγεται η μέθοδος κανονικοποίησης βαθμολογίας z - για να εξαλείψει τις διαφορές μεγέθους των διαφορετικών παραμέτρων και τα οικόπεδα κουτιού χρησιμοποιούνται για την οπτική ανάλυση για να διασφαλιστεί ότι τα δεδομένα πληρούν τις απαιτήσεις του νευρικού δικτύου BP. Ο βαθμός επιρροής των ποσοτικών δεικτών καμπύλης θραύσης στις παραμέτρους στόχου κατατάσσεται και αναλύεται με τη μέθοδο συντελεστή συσχέτισης Pearson για τον προσδιορισμό της αντοχής της συσχέτισης μεταξύ κάθε δείκτη και των παραμέτρων δικτύου θραύσης.
Σύμφωνα με τα αποτελέσματα της κλίμακας δεδομένων και της ανάλυσης συσχέτισης, το μήκος του δικτύου θραύσης, το πλάτος του δικτύου θραύσης, το ύψος του δικτύου θραύσης και ο όγκος του δικτύου θραύσης επιλέγονται ως τελικοί στόχοι αξιολόγησης και το πρόβλημα μετατροπής - η μέθοδος χωριστή μοντελοποίηση υιοθετείται για τον σχεδιασμό κατάλληλων δομών νευρικού δικτύου και υπερ -παραμέτρων. Μετά τις δοκιμές εγκάρσιας επικύρωσης, το τριών στρώσεων Deep Feed - Forward Network παρουσιάζει σημαντικά πλεονεκτήματα όσον αφορά την ακρίβεια της πρόβλεψης των παραμέτρων δικτύου θραύσης και της αποτελεσματικότητας της κατάρτισης. Τα αποτελέσματα της έρευνας δείχνουν ότι το μοντέλο νευρωνικού δικτύου με έντονα συσχετισμένες χαρακτηριστικές παραμέτρους που έχουν επιλεγεί ως είσοδος μπορεί να αποκτήσει σχετικά ακριβή αποτελέσματα παραμέτρων δικτύου θραύσης. Το μέσο σχετικό σφάλμα του σετ εκπαίδευσης ελέγχεται εντός 10%και το μέσο σχετικό σφάλμα του συνόλου δοκιμών είναι μικρότερο από 15%, το οποίο πληροί το επιτρεπόμενο σφάλμα για την αναστροφή παραμέτρων δικτύου κατάγματος θέσης.
Συμπερασματικά, η μέθοδος αναστροφής Deep -Learning - βασισμένη σε δίκτυα θραύσης σε δεξαμενές αερίου σχιστόλιθου παρέχει ισχυρή τεχνική υποστήριξη για την αποτελεσματική ανάπτυξη και την ακριβή αξιολόγηση του φυσικού αερίου σχιστόλιθου. Αυτή η μέθοδος μπορεί να αποκτήσει με μεγαλύτερη ακρίβεια τις παραμέτρους του δικτύου θραύσης, να βελτιστοποιήσει τις εργασίες κάλυψης, να βελτιώσει την ανάκτηση σχιστόλιθου και να συμβάλει στην αειφόρο ανάπτυξη του ενεργειακού τομέα. Στο μέλλον, αυτή η μέθοδος θα μελετηθεί περαιτέρω και θα βελτιστοποιηθεί για να εφαρμοστεί και να διαδοθεί σε περισσότερες δεξαμενές φυσικού αερίου σχιστόλιθου.