Odjeljak za uvod - prema - odjeljak i multi -multi -klaster frakturna mreža lomljenja u vodoravnim jažicama temeljna je tehnologija u razvoju plina iz škriljaca. Zbog troškova i drugih čimbenika u nekim plinskim poljima iz škriljaca, samo su neke bušotine podvrgnute konvencionalnoj sječanju, a slatke mrlje u vodoravnim dijelovima ne mogu se predvidjeti tradicionalnim metodama. Metoda koja se pokreće podacima može upotrijebiti multi -izvorne rudarstvo podataka za izgradnju odnosa mapiranja između efekta rekonstrukcije bloka i geologije - inženjerskih parametara Sweet - Spot indeksa, a široko se koristi u rekonstrukciji rezervoara. Ovaj rad ima za cilj konstruirati model koji se temelji na podacima na temelju podataka o bušenju i evidentiranju kako bi se ostvarila inteligentna optimizacija odjeljka - odjeljak i višestrukih parametara razlika u frakturiranju klastera za vodoravne jažice iz škriljaca.
Sveobuhvatna Sweet - Spot Evaluacija i klasifikacija rezervoara geomehanički parametar Inženjering Inženjering Podaci se transformiraju u normalnu distribuciju putem okvira - Cox transformacija kako bi se smanjila nagib i poboljšao pouzdanost modela. Analiza glavnih komponenti koristi se za smanjenje dimenzije parametara i uklanjanje suvišnih podataka kako bi se otkrili potencijalni obrasci u podacima. Tip - 2 Interval Function Function Type - 2 Fuzzy Logic Prevladava ograničenja tipa - 1 nejasna logika i interval tipa - 2 Gaussov članstvo u distribuciji transformira Funkciju članstva u dimenzionalnoj dimenzionici. Razine funkcije članstva podijeljene su prema razlikama glavnih komponenti, a konstruirana je i matrica članstva. Sveobuhvatna evaluacija i klasifikacija rezervoara Nejarani sveobuhvatni model evaluacije geologije - inženjering slatkih mrlja konstruiran je kombiniranjem tipa intervala - 2 i metoda entropijske težine za određivanje težine svake glavne komponente i konstruiranje matrice težine. Sveobuhvatna matrica evaluacije dobiva se sastavljanjem matrice težine i matrice članstva, a algoritam klasteriranja K - Medoida koristi se za klasificiranje vrsta rezervoara, pružajući osnovu za optimizaciju građevinskih parametara lomljenja.
Inteligentna optimizacija parametara građevinskih parametara stroj - Model predviđanja produktivnosti učenja DNN (duboka neuronska mreža) sastoji se od ulaznog sloja, skrivenog sloja i izlaznog sloja i ima sposobnost hijerarhijskog učenja. Model se uspostavlja kroz korake kao što su inicijalizacija težine, širenje naprijed, izračunavanje gubitaka, širenje unatrag i ažuriranja težine i pristranosti. Model inteligentne optimizacije parametara loma PSO (optimizacija roja čestica) koristi se za optimizaciju Hyper -parametara DNN s najboljim zbrojem dobrote - od - postavljanja seta za trening i testnog skupa kao cilj. Zatim, na temelju DNN modela, parametri loma optimizirani su s optimalnom predviđenom proizvodnjom u različitim rezervoarnim geološkim uvjetima kao cilja, a uspostavljena je i metoda inteligentne optimizacije koja se pokreće podacima za odjeljak - prema odjeljku i klasteru - po položajima klastera i građevinskih parametara lomljenih bušotina.
Primjena na terenu koja uzima rezervoare plina s dubokim slojem iz gornjeg ordovianskog formacije Wufeng - donje silurijske formacije LongMaxi u slivu jugoistočnog Sichuana kao primjer, s više parametara u to vrijeme - bušenje podataka za bilježenje kao geološke karakteristične parametre i mehaničke specifične za optimizaciju, optimizirani parametri. Analizom podataka o uzorku provjerava se pouzdanost sveobuhvatnog rezervoara Sweet - Spot Evaluacija na temelju podataka o bušenju i evidentiranju. Prema rezultatima klasifikacije akumulacije, algoritam optimizacije za optimizaciju čestica koristi se za optimizaciju građevinskih parametara, a prosječni indeks proizvodnje plina po metru prvih 8 odjeljaka u polju - primijenjene bušotine porastao je za 73,1%, što ukazuje da ova metoda može učinkovito shvatiti fine karakterizaciju konstrukcija i diferencijalnog optimizacije i diferencijalnih kampiranja s odgojem, i diferencijalnog kampiranja, i diferencijalnog kampiranja, i diferencijalnog kaskarizacije, i diferencijalnih karata za odgrige o optimizaciji i diferencijalnom odgngelizacijama za odgrizače i diferencijalne kampiranjem, snimka o optimizaciji s odgn. Podaci.
Zaključci značajke - inženjering znači poboljšati stabilnost i točnost predviđanja modela vođenog podacima i postavljati temelj za sveobuhvatni model evaluacije. Parametri bušenja i evidentiranja igraju važnu ulogu u sveobuhvatnoj procjeni akumulacije i optimizacije parametara lomljenja, a mogu pružiti osnovu za dizajn odjeljka - prema odjeljku i klasteru - po položaju klastera u vodoravnim jažicama i optimizaciji građevinskih parametara. Očekuje se da će model vođen podacima postati novi motor za promicanje inteligentnog razvoja tehnologije lomljenja i probijanje ograničenja nedostajućih ulaznih parametara u tradicionalnim fizičkim modelima. Ukratko, metoda inteligentne optimizacije odjeljka - prema - odjeljku i višestrukim parametrima lomljenja diferencijalnog frakturiranja za horizontalne bušotine iz škriljaca na temelju podataka o bušenju i evidentiranju ima visoku vrijednost primjene i izglede za promociju i pruža nova tehnička sredstva za razvoj plina iz škriljaca.