ВЪВЕДЕНИЕ РАЗДЕЛ - по - раздел и много фрактурна мрежа за разрушаване на клъстери в хоризонтални кладенци е основната технология в развитието на шистов газ. Поради разходите и други фактори в някои газови находища на шисти, само някои кладенци са подложени на конвенционални сеч, а сладки петна в хоризонталните участъци не могат да бъдат предвидени чрез традиционните методи. Методът, задвижван от данни, може да използва извличане на много изходни данни за конструиране на връзката на картографирането между ефекта на реконструкцията на блока и инженерните параметри на инженерния индекс на геологията и е широко използван при реконструкцията на резервоара. Настоящият документ има за цел да конструира модел, задвижван от данни, базиран на данни за пробиване и регистрация, за да реализира интелигентната оптимизация на секцията - по - раздел и многопархи за раздробяване на клъстери за хоризонтални кладенци на шистов газ.
Изчерпателна сладка - Оценка на точките и класификация на резервоара Геомеханичен параметър Функция Инженеринг Данните се трансформират в нормално разпределение чрез трансформация на COX, за да се намали наклонеността и да се подобри надеждността на модела. Анализът на основните компоненти се използва за намаляване на измерението на параметрите и премахване на излишната информация, за да се разкрият потенциалните модели в данните. Тип - 2 Интервална функция за членство Тип - 2 размитата логика преодолява ограниченията на тип - 1 размита логика, а интервалът тип - 2 функция за членство в гаусската дистрибуция трансформира тримесечната функция за членство в пропаст в двумерна функция на членството в размер на двумерната част на членството на размера. Нивата на функцията на членството са разделени според разликите в основния компонент и матрицата за членство е конструирана. Цялостна оценка и класификация на резервоара А модел на обширна оценка на геологията - Инженерни сладки петна е конструиран чрез комбиниране на интервала тип - 2 Функцията за членство и метода на теглото на ентропията, за да се определят теглото на всеки основен компонент и да се изгради матрицата на теглото. Изчерпателната матрица за оценка се получава чрез усложняване на матрицата на теглото и матрицата за членство, а алгоритъмът за клъстериране на k - медоиди се използва за класифициране на типовете резервоари, като предоставя основа за оптимизиране на счупващите параметри на строителството.
Интелигентна оптимизация на разрушаващите конструктивни параметри Машини - Модел на прогнозиране на производителността на обучението DNN (дълбока невронна мрежа) се състои от входен слой, скрит слой и изходен слой и има способността за йерархично обучение. Моделът се установява чрез стъпки като инициализация на теглото, разпространение напред, изчисляване на загубите, разпространение назад и актуализации на теглото и отклоненията. Модел на интелигентна оптимизация на параметрите на параметрите PSO (оптимизация на роя на частиците) се използва за оптимизиране на DNN хипер -параметрите с най -добрата сума от добротата - на - прилягане на тренировъчния набор и тестовия набор като цел. След това, въз основа на модела на DNN, параметрите на разрушаване са оптимизирани с оптималното прогнозирано производство при различни геоложки условия на резервоара като цел и се установява данни за интелигентна оптимизация на данните за раздела - по секция и клъстер - чрез - позиции на клъстери и параметри на конструкцията на счупващи кладенци.
Field Application Taking the deep - layer shale gas reservoirs of the Upper Ordovician Wufeng Formation - Lower Silurian Longmaxi Formation in the southeastern Sichuan Basin as an example, with multiple parameters in the while - drilling logging data as geological characteristic parameters and mechanical specific energy as mechanical characteristic parameters, comprehensive sweet - spot evaluation and construction parameter optimization are carried out. Чрез анализа на примерните данни се проверява надеждността на цялостната оценка на Sweet - Spot на резервоара въз основа на данните за пробиване и регистрация. According to the reservoir classification results, the particle swarm optimization algorithm is used to optimize the construction parameters, and the average gas production index per meter of the first 8 sections in the field - applied wells has increased by 73.1%, indicating that this method can effectively realize the fine characterization of reservoir comprehensive sweet spots and the differential optimization of fracturing construction parameters for shale gas wells based on while - drilling logging и регистриране на данни.
Заключения Функция - Инженерингът означава подобряване на стабилността и точността на прогнозиране на модела, задвижван от данните и поставя основата за цялостен модел на оценка. Параметрите за пробиване и регистриране играят важна роля в цялостната сладка оценка на резервоарите и оптимизирането на параметрите на разрушаване и може да даде основа за проектирането на секция - по - раздел и клъстер - по позиции на клъстери в хоризонтални кладенци и оптимизиране на параметрите на строителството. Очаква се моделът, управляван от данни, да се превърне в нов двигател за насърчаване на интелигентното развитие на технологията за разрушаване и пробиване на ограничаването на липсващите входни параметри в традиционните физически модели. В обобщение, методът на интелигентната оптимизация на раздел - по - раздел и многопархи за раздробяване на диференцирания на клъстери за хоризонтални кладенци на шистов газ въз основа на данни за пробиване и регистриране има висока стойност на приложението и промоция и осигурява нови технически средства за развитие на шистов газ.