Раздел «Введение» - по разделу и мульти - кластерной сети переломов в горизонтальных скважинах является основной технологией в разработке сланцевого газа. Из -за стоимости и других факторов на некоторых полях сланцевого газа только некоторые скважины подвергаются обычным лесозаготовкам, и сладкие пятна в горизонтальных участках не могут быть предсказаны традиционными методами. Метод данных - управляемый Data может использовать много - исходные данные для построения взаимосвязи между эффектом реконструкции блока и параметрами геологии - инженерного индекса Spot -Spot, и широко используется в реконструкции водохранилища. Эта статья направлена на создание модели данных - управляемой на основе данных бурения и ведения журнала для реализации интеллектуальной оптимизации параметров раздела - по разделу и параметрам дифференциального распределения кластеров для горизонтальных скважин сланцевого газа.
Комплексная сладость - точечная оценка и классификация резервуара Геомеханическое параметр Инженерность Анализ основных компонентов используется для уменьшения размера параметра и удаления избыточной информации, чтобы выявить потенциальные закономерности в данных. Type - 2 интервальная функция членства тип - 2 Fuzzy Logic преодолевает ограничения типа - 1 Fuzzy Logic, а интервал типа - 2 Гауссовый дистрибьюторский членство преобразует функцию членства в третьем пространстве в два - размерные домены. Уровни функции членства делятся в соответствии с различиями в основных компонентах, и построена матрица членства. Комплексная оценка и классификация резервуара Нечеткая всесторонняя модель оценки геологии - Инженерные сладкие пятна создаются путем объединения интервального типа - 2 функции членства и метода веса энтропии для определения весов каждого основного компонента и построения матрицы веса. Комплексная матрица оценки получается путем составления матрицы веса и матрицы членства, а алгоритм кластеризации Medoids используется для классификации типов резервуаров, обеспечивая основу для оптимизации параметров построения разрушения.
Интеллектуальная оптимизация параметров построения разрушения Машина - модель прогнозирования производительности обучения DNN (глубокая нейронная сеть) состоит из входного уровня, скрытого уровня и выходного уровня и имеет способность иерархического обучения. Модель устанавливается с помощью таких шагов, как инициализация веса, прямое распространение, расчет потерь, обратное распространение, а также обновления веса и смещения. Параметр разрыва Интеллектуальная модель оптимизации PSO (оптимизация роя частиц) используется для оптимизации гипер -параметров DNN с наилучшей суммой добра - соответствия обучающего набора и тестового набора в качестве цели. Затем, основываясь на модели DNN, параметры разрыва оптимизируются с оптимальным прогнозируемым производством в различных геологических условиях резервуара в качестве цели, а также метод интеллектуальной оптимизации, управляемый данными для раздела - по разделу и кластеру - по позициям кластера и параметрам конструкции скважины перелом.
Полевое применение, принимающее резервуары с глубоким уровнем сланца в формировании верхнего ордовика Wufeng - Нижняя силурийская формация Longmaxi в юго -восточном бассейне Сычуань в качестве примера, с множественными параметрами в то время как данные о составе бурения в качестве геологических характерных параметров и механическая специфическая энергия в качестве механических характерных параметров, всеобъемлющие оценки сладкого пятно и строительные параметры. Посредством анализа данных выборки надежность комплексного резервуара Sweet - Spot Excelation на основе данных бурения и ведения журнала проверяется. 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 and Данные журнала.
Выводы Особенность - инженерная инженерия означает улучшение стабильности и точности прогнозирования модели Data - управляемой и закладывает основу для комплексной модели оценки. Параметры бурения и регистрации играют важную роль в комплексной оценке сладкого - точечной оценки резервуаров и оптимизации параметров разрыва и могут обеспечить основу для проектирования положений секции и кластера и кластеров в горизонтальных скважинах и оптимизации параметров строительства. Ожидается, что модель Data - управляемая станет новым двигателем для продвижения интеллектуальной разработки технологии разрушения и нарушения ограничения недостающих входных параметров в традиционных физических моделях. Таким образом, метод интеллектуальной оптимизации раздела - By -Section и параметры дифференциального распределения кластеров для горизонтальных скважин сланцевого газа на основе данных о бурении и ведении ведения регистрации имеют высокую стоимость приложения и перспективы продвижения и предоставляют новые технические средства для разработки сланцевого газа.