আজকের শক্তি ক্ষেত্রে, শেল গ্যাস, একটি গুরুত্বপূর্ণ অপ্রচলিত প্রাকৃতিক গ্যাস সংস্থান হিসাবে এর দক্ষ বিকাশ এবং সঠিক মূল্যায়নের জন্য তাত্পর্যপূর্ণ। ফ্র্যাকচার নেটওয়ার্কগুলির বিপর্যয় শেল গ্যাসের দক্ষ বিকাশ এবং সঠিক মূল্যায়নের মূল চাবিকাঠি।
তবে, traditional তিহ্যবাহী পদ্ধতিগুলি উচ্চ ব্যয় এবং অসম্পূর্ণ ডেটাগুলির মতো অনেক চ্যালেঞ্জের মুখোমুখি। সাম্প্রতিক বছরগুলিতে, গভীর - শেখার প্রযুক্তির দ্রুত বিকাশ শেল গ্যাস জলাধারগুলিতে ফ্র্যাকচার নেটওয়ার্কগুলির বিপর্যয়ের জন্য নতুন সুযোগ এবং অগ্রগতি নিয়ে এসেছে। শেল গ্যাসের জলাধারগুলি অত্যন্ত কমপ্যাক্ট এবং উল্লেখযোগ্যভাবে ভিন্ন ভিন্ন, অত্যন্ত কম প্রাকৃতিক উত্পাদন সহ। যদিও traditional তিহ্যবাহী ফ্র্যাকচার মনিটরিং প্রযুক্তিগুলি (যেমন মাইক্রো - সিসমিক মনিটরিং) কিছু তথ্য সরবরাহ করতে পারে, সেগুলি ব্যয়বহুল এবং পর্যবেক্ষণের জন্য ভাল অঞ্চলটি পুরোপুরি কভার করতে পারে না; যদিও সংখ্যাসূচক সিমুলেশন পূর্বাভাস মডেলগুলির একটি নির্দিষ্ট ভূমিকা রয়েছে তবে ভূতাত্ত্বিক তথ্যের অখণ্ডতার জন্য তাদের উচ্চ প্রয়োজনীয়তা রয়েছে এবং ভূতাত্ত্বিক ডেটা অসম্পূর্ণ বা সেখানে ভাল বিভাগগুলি অনুপস্থিত থাকলে ভবিষ্যদ্বাণী প্রভাবটি ভাল হয় না।
উপরোক্ত পরিস্থিতির উপর ভিত্তি করে, এই কাগজটি গভীর শিক্ষার উপর ভিত্তি করে শেল গ্যাস জলাধারগুলিতে ফ্র্যাকচার নেটওয়ার্কগুলির একটি বিপরীত পদ্ধতির প্রস্তাব দেয়। এই পদ্ধতিটি নির্মাণের সময় অন - সাইট ফ্র্যাকচারিং কার্ভ ডেটার উপর ভিত্তি করে তৈরি হয় এবং ফ্র্যাকচারিং বক্ররেখার বৈশিষ্ট্যযুক্ত পরামিতিগুলির উপর পরিমাণগত বিশ্লেষণ পরিচালনা করে। গভীরতার গবেষণার মাধ্যমে, এটি পাওয়া যায় যে ফ্র্যাকচার নেটওয়ার্ক পরামিতিগুলির দৃ strongly ়ভাবে পারস্পরিক সম্পর্কযুক্ত সূচকগুলি ইনপুট এবং মাইক্রো - সিসমিক মনিটরিং ফ্র্যাকচার নেটওয়ার্ক প্যারামিটারগুলি (ফ্র্যাকচার নেটওয়ার্ক দৈর্ঘ্য, প্রস্থ, উচ্চতা, উচ্চতা, ভলিউম) লক্ষ্য আউটপুট হিসাবে, একটি বিপি (ব্যাক প্রযোজক) নিউরাল নেটওয়ার্ক ইনভার্সন মডেল ফ্র্যাক্টারের জন্য প্রতিষ্ঠিত হতে পারে। নির্দিষ্ট গবেষণায়, পশ্চিমা চংকিং অঞ্চলে শেল গ্যাসের কূপগুলির বিভাগের ফ্র্যাকচারিং বক্ররেখার উপর ভিত্তি করে, মডেল প্রশিক্ষণ এবং প্যারামিটার অপ্টিমাইজেশান করা হয়।
পরীক্ষার পরে, এই মডেলের ফ্র্যাকচার নেটওয়ার্ক প্যারামিটার বিপরীত ফলাফলগুলির গড় আপেক্ষিক ত্রুটি 15 শতাংশেরও কম, যা শেল গ্যাস জলাধারগুলিতে ফ্র্যাকচার নেটওয়ার্কগুলির বিপরীতকরণের জন্য নতুন পদ্ধতির সম্ভাব্যতা এবং কার্যকারিতা যাচাই করে। প্রযুক্তিগত দৃষ্টিকোণ থেকে, ডিপ ফিড - ফরোয়ার্ড নিউরাল নেটওয়ার্ক (ডিএফএনএন), গভীর শিক্ষার একটি গুরুত্বপূর্ণ অ্যালগরিদম হিসাবে, একটি মাল্টি -লেয়ার নিউরন কাঠামো রয়েছে যা নন -লিনিয়ার রূপান্তরের মাধ্যমে জটিল ডেটা নিদর্শনগুলি আনুমানিক করতে পারে। বিপি নিউরাল নেটওয়ার্ক, ডিএফএনএন -এর একটি প্রশিক্ষণ পদ্ধতি হিসাবে, ত্রুটিটি পিছনে ব্যবহার করে - নেটওয়ার্ক ওজন এবং পক্ষপাতিত্ব সামঞ্জস্য করতে প্রচারের অ্যালগরিদম, ফরোয়ার্ড প্রচার এবং ত্রুটি ব্যাক - প্রচারের প্রক্রিয়া রয়েছে এবং আরও সঠিকভাবে আনুমানিকভাবে আনুমানিক মানকে একাধিক পুনরাবৃত্তির মাধ্যমে নেটওয়ার্ক পারফরম্যান্সকে অনুকূল করে তোলে। ডেটা প্রসেসিংয়ের ক্ষেত্রে, ফ্র্যাকচারিং নির্মাণ বক্ররেখাগুলি গভীরতার মধ্যে পরিমাণগতভাবে বিশ্লেষণ করা হয়।
ফ্র্যাকচারিং কনস্ট্রাকশন বক্ররেখা পাম্প ইনজেকশন চাপ, নির্মাণ স্থানচ্যুতি এবং বালির ঘনত্বের বক্ররেখার সমন্বয়ে গঠিত, যা প্রাক -ফ্লাশ স্টেজ, বালি - ফ্র্যাকচারিং স্টেজ এবং পাম্প যুক্ত করে - স্টপিং স্টেজে বিভক্ত। ফ্র্যাকচারিং কার্ভ বৈশিষ্ট্যযুক্ত পরামিতিগুলি যথাক্রমে বিভিন্ন পর্যায়ে যেমন প্রাক -ফ্লাশ তরল, ফ্র্যাকচার চাপ ইত্যাদির প্রতি ইউনিট ভলিউম প্রতি ক্রমবর্ধমান চাপের জন্য যথাক্রমে উত্তোলন করা হয়, মোট 18 টি বৈশিষ্ট্যযুক্ত পরামিতিগুলি পরিমাণগত সূচক হিসাবে নির্বাচিত হয়, বিপরীত মডেলটির পরবর্তী প্রতিষ্ঠার জন্য একটি শক্ত ডেটা ফাউন্ডেশন রাখে। একই সময়ে, ডেটা স্বাভাবিক করা হয়, বিভিন্ন পরামিতিগুলির প্রস্থের পার্থক্যগুলি দূর করতে জেড - স্কোর নরমালাইজেশন পদ্ধতিটি নির্বাচন করা হয়, এবং বাক্স - প্লটগুলি ভিজ্যুয়াল বিশ্লেষণের জন্য ব্যবহৃত হয় যাতে ডেটা বিপি নিউরাল নেটওয়ার্কের প্রয়োজনীয়তা পূরণ করে তা নিশ্চিত করতে। লক্ষ্য পরামিতিগুলিতে ফ্র্যাকচারিং বক্ররেখার পরিমাণগত সূচকগুলির প্রভাবের ডিগ্রি প্রতিটি সূচক এবং ফ্র্যাকচার নেটওয়ার্ক পরামিতিগুলির মধ্যে পারস্পরিক সম্পর্কের শক্তি নির্ধারণের জন্য পিয়ারসন পারস্পরিক সম্পর্ক সহগ পদ্ধতি দ্বারা র্যাঙ্ক এবং বিশ্লেষণ করা হয়।
ডেটা স্কেল এবং পারস্পরিক সম্পর্ক বিশ্লেষণের ফলাফল অনুসারে, ফ্র্যাকচার নেটওয়ার্ক দৈর্ঘ্য, ফ্র্যাকচার নেটওয়ার্ক প্রস্থ, ফ্র্যাকচার নেটওয়ার্কের উচ্চতা এবং ফ্র্যাকচার নেটওয়ার্ক ভলিউম চূড়ান্ত মূল্যায়ন লক্ষ্য হিসাবে নির্বাচিত হয় এবং রূপান্তর সমস্যা - উপযুক্ত নিউরাল নেটওয়ার্ক স্ট্রাকচার এবং হাইপার - প্যারামিটারগুলি ডিজাইনের জন্য পৃথক মডেলিং পদ্ধতি গৃহীত হয়। ক্রস - বৈধতা পরীক্ষার পরে, তিনটি - স্তর গভীর ফিড - ফরোয়ার্ড নেটওয়ার্ক ফ্র্যাকচার নেটওয়ার্ক পরামিতি এবং প্রশিক্ষণের দক্ষতার পূর্বাভাস দেওয়ার যথার্থতার ক্ষেত্রে উল্লেখযোগ্য সুবিধাগুলি দেখায়। গবেষণার ফলাফলগুলি দেখায় যে ইনপুট হিসাবে নির্বাচিত দৃ strongly ়ভাবে সম্পর্কযুক্ত বৈশিষ্ট্যযুক্ত পরামিতিগুলির সাথে নিউরাল নেটওয়ার্ক মডেল তুলনামূলকভাবে সঠিক ফ্র্যাকচার নেটওয়ার্ক প্যারামিটার ফলাফল পেতে পারে। প্রশিক্ষণ সেটটির গড় আপেক্ষিক ত্রুটি 10 শতাংশের মধ্যে নিয়ন্ত্রণ করা হয়, এবং পরীক্ষার সেটটির গড় আপেক্ষিক ত্রুটি 15 শতাংশেরও কম, যা অন - সাইট ফ্র্যাকচার নেটওয়ার্ক প্যারামিটার বিপরীতকরণের জন্য অনুমোদিত ত্রুটি পূরণ করে।
উপসংহারে, শেল গ্যাস জলাধারগুলিতে ফ্র্যাকচার নেটওয়ার্কগুলির ডিপ - লার্নিং ভিত্তিক বিপরীত পদ্ধতি শেল গ্যাসের দক্ষ বিকাশ এবং সঠিক মূল্যায়নের জন্য শক্তিশালী প্রযুক্তিগত সহায়তা সরবরাহ করে। এই পদ্ধতিটি আরও সঠিকভাবে ফ্র্যাকচার নেটওয়ার্ক পরামিতিগুলি পেতে পারে, ফ্র্যাকচারিং অপারেশনগুলিকে অনুকূল করতে পারে, শেল গ্যাস পুনরুদ্ধারের উন্নতি করতে পারে এবং শক্তি ক্ষেত্রের টেকসই বিকাশে অবদান রাখতে পারে। ভবিষ্যতে, এই পদ্ধতিটি আরও শেল গ্যাস জলাধারগুলিতে প্রয়োগ এবং জনপ্রিয় করার জন্য আরও অধ্যয়ন এবং অনুকূলিত করা হবে।