今日のエネルギー分野では、シェールガスは、重要な型破りな天然ガス資源として、その効率的な開発と正確な評価に非常に重要です.破壊ネットワークの反転は、シェールガスの効率的な開発と正確な評価の鍵です.}
しかし、従来の方法は、近年の高コストや不完全なデータ.など、多くの課題に直面しています。深い学習技術の急速な発展は、シェールガス貯水池の骨折ネットワークの逆転のための新しい機会とブレークスラーをもたらしました.シェールガスの貯水池は、非常に自然な生産であり、非常に低い産生の存在です。骨折監視技術（マイクロ地震監視など）はいくつかの情報を提供できます。コストがかかり、監視のために井戸領域を完全にカバーすることはできません。数値シミュレーション予測モデルには特定の役割がありますが、地質データの整合性のための高い要件があり、地質データが不完全である場合、またはセクションが欠落している場合、予測効果は良くありません.
上記の状況に基づいて、このペーパーでは、深い学習に基づいたシェールガス貯留層の骨折ネットワークの反転方法を提案します{.この方法は、構築中のサイト破砕曲線データに基づいており、断続的な研究を行うと、{2}}..の骨折曲線の特徴的なパラメーター{2}}の特徴的なパラメーターを提案します。入力とマイクロ地震監視骨折ネットワークパラメーター（破壊ネットワーク長、幅、高さ、体積）ターゲット出力として、BP（後ろの伝播）ニューラルネットワークの反転モデルを確立して、{6}}}のモデルガスでの西側のチャングでの分割を除き、西部のカスを除去します。パラメーター最適化が実行されます.
テスト後、このモデルの骨折ネットワークパラメーターの反転結果の平均相対誤差は15％未満であり、これは、技術的な観点からのシェールガス貯水池の破壊ネットワークの反転のための新しい方法の実現可能性と有効性を検証します。非線形変換を介して複雑なデータパターンを概算することができます{. dfnnのトレーニング方法としてのBPニューラルネットワークは、ネットワークの重みとバイアスを調整するためにエラーバック - 伝播アルゴリズムを使用します。破壊構造曲線は、-deptitally -depty .で定量的に分析されます
破砕構造曲線は、ポンプ噴射圧力、建設変位、および砂濃度曲線で構成されています。これらは、プリフラッシュ段階、砂 - 砂の追加段階とポンプ - 停止段階.フラクチャーの特性パラメーターは、それぞれ異なる段階で抽出されます。パラメーターは定量的指標として選択され、その後の反転モデル{.のその後の確立のための固体データ基盤を築きます。同時にデータは正規化されます。Z-スコア正規化方法は、異なるパラメーターの磁気の違いを排除するために選択されます。ターゲットパラメーターの破砕曲線定量インジケーターは、ピアソン相関係数法によってランク付けおよび分析され、各インジケーターと破壊ネットワークパラメーターの相関の強度を決定{.}
データスケールおよび相関分析の結果によれば、破壊ネットワーク長、破壊ネットワーク幅、破壊ネットワークの高さ、破壊ネットワークボリュームが最終評価ターゲットとして選択され、変換問題 - 個別のモデリング方法が採用され、適切なニューラルネットワーク構造とハイパーパラメーター.} .} .は、クロスのフォーディングテストの前に、3つの検証テストになります。骨折ネットワークパラメーターとトレーニング効率{.調査結果は、入力として選択された強く相関した特性パラメーターを持つニューラルネットワークモデルが比較的正確な破壊ネットワークパラメーターの結果を得ることができることを示しています.トレーニングセットの平均相対エラーは10％以内で制御され、平均的な相対エラーは15％未満です。反転.
結論として、シェールガス貯水池の深い学習ベースの骨折ネットワークの反転法は、シェールガスの効率的な開発と正確な評価の強力な技術サポートを提供します.この方法は、破壊ネットワークパラメーターをより正確に取得し、破壊操作を最適化し、シェールガス回復を改善し、エネルギー分野に潜在的な開発に貢献することができます。そして、より多くのシェールガス貯水池で適用および普及させるように最適化.