I dagens energifält är skiffergas, som en viktig okonventionell naturgasresurs, av stor betydelse för dess effektiva utveckling och exakta bedömning. Inversionen av spricknätverk är nyckeln till effektiv utveckling och exakt bedömning av skiffergas.
Traditionella metoder står emellertid många utmaningar, till exempel höga kostnader och ofullständiga data. Under de senaste åren har den snabba utvecklingen av djuputbildningsteknologi gett nya möjligheter och genombrott för inversion av spricknätverk i skiffergasbehållare. Reservoarerna av skiffergas är mycket kompakta och betydligt heterogena, med extremt låg naturlig produktion. Även om traditionella frakturövervakningsteknologier (som mikro - seismisk övervakning) kan ge lite information, är de kostsamma och kan inte helt täcka brunnsområdet för övervakning; Även om numeriska simuleringsprognosmodeller har en viss roll, har de höga krav på integriteten av geologiska data, och förutsägelseffekten är inte bra när de geologiska uppgifterna är ofullständiga eller det saknas brunnssektioner.
Baserat på ovanstående situation föreslår detta dokument en inversionsmetod för frakturnät i skiffergasbehållare baserat på djup inlärning. Denna metod är baserad på on -webbplatsens sprickkurvdata under konstruktion och genomför kvantitativ analys av de karakteristiska parametrarna för sprickkurvan. Genom in -djupforskning konstateras att genom att ta de starkt korrelerade indikatorerna för frakturnätverksparametrar som input och den mikro -seismiska övervakningsfrakturnätverksparametrarna (frakturnätverkslängd, bredd, höjd, volym) som målutgången, en BP (Back Propagation) Neural Network Inversion Model kan fastställas för att i överensstämmelse avlägsna den frakturnätverk. I specifik forskning, baserat på 450 - -segmentets sprickkurvor för skiffergasbrunnar i det västra Chongqing -området, genomförs modellträning och parameteroptimering.
Efter testning är det genomsnittliga relativa felet för resultaten av frakturnätverksparameterinversion för denna modell mindre än 15%, vilket verifierar genomförbarheten och effektiviteten för den nya metoden för inversion av spricknät i skiffergasbehållare. Ur ett tekniskt perspektiv har det djupa foder - framåt neurala nätverket (DFNN), som en viktig algoritm i djup inlärning, en multi -lagers neuronstruktur som kan ungefärliga komplexa datamönster genom icke -linjär transformation. BP Neural Network, som en träningsmetod för DFNN, använder felet tillbaka - förökningsalgoritmen för att justera nätverksvikter och fördomar, har framåt förökning och felstöd - förökningsmekanismer och optimerar nätverksprestanda genom flera iterationer för att mer exakt närma sig det verkliga värdet. När det gäller databehandling analyseras sprickkonstruktionskurvorna kvantitativt i djupet.
Den sprickande konstruktionskurvan består av pumpinjektionstryck, konstruktionsförskjutning och sandkoncentrationskurvor, som är uppdelade i för -spolningssteget, sand - tillsats av sprickningssteg och pumpsteg. Fraktureringskurva karakteristiska parametrar extraheras för olika steg, såsom det stigande trycket per enhetsvolym av för -spolvätska, spricktryck etc. Samtidigt normaliseras data, Z -poängnormaliseringsmetoden väljs för att eliminera storleksskillnaderna mellan olika parametrar och rutor - tomter används för visuell analys för att säkerställa att data uppfyller kraven i BP -neurala nätverk. Graden av påverkan av den sprickande kurvkvantitativa indikatorerna på målparametrarna rankas och analyseras med Pearson -korrelationskoefficientmetoden för att bestämma styrkan hos korrelationen mellan varje indikator och frakturnätparametrarna.
Enligt datakala- och korrelationsanalysresultaten väljs frakturnätverkslängden, spricknätverksbredden, frakturnätverkets höjd och frakturnätverksvolym som de slutliga utvärderingsmålen och omvandlingsproblemet - separat modelleringsmetod antas för att utforma lämpliga neurala nätverksstrukturer och hyperparametrar. Efter korsvalideringstester visar tre -lagret djupt fodernätverk betydande fördelar när det gäller noggrannheten för att förutsäga frakturnätverksparametrar och träningseffektivitet. Forskningsresultaten visar att den neurala nätverksmodellen med starkt korrelerade karakteristiska parametrar som valts som input kan erhålla relativt exakta resultat för spricknätverksparameter. Det genomsnittliga relativa felet för träningsuppsättningen styrs inom 10%, och det genomsnittliga relativa felet för testuppsättningen är mindre än 15%, vilket uppfyller det tillåtna felet för på - Site Fracture Network Parameter inversion.
Sammanfattningsvis ger den djupa - baserade inversionsmetoden för frakturnät i skiffergasbehållare starkt tekniskt stöd för effektiv utveckling och exakt bedömning av skiffergas. Denna metod kan erhålla frakturnätverksparametrar mer exakt, optimera sprickverksamheten, förbättra återhämtningen av skiffergas och bidra till en hållbar utveckling av energifältet. I framtiden kommer denna metod att studeras ytterligare och optimeras för att göra den tillämpad och populariserad i fler skiffergasbehållare.