Das Schiefergas-Speicherbecken ist stark dicht und weist eine ausgeprägte Heterogenität auf, die natürliche Förderrate ist äußerst gering. Um die Produktion zu steigern und einen industriellen Gasfluss zu erhalten, muss die Hydraulic-Fracturing-Technologie eingesetzt werden. Der Schlüssel zur Bewertung der Wirksamkeit von Fracking-Operationen und zur Optimierung der Prozessparameter liegt in der genauen Erfassung der Frakturnetzparameter. Traditionelle Frakturüberwachungstechnologien (z. B. Mikroseismik) sind kostspielig und können keine vollständige Abdeckung des Bohrlochsbereichs gewährleisten, während numerische Vorhersagemodelle viele ingenieurgeologische Parameter benötigen, was bei unvollständigen oder fehlenden geologischen Daten zu schlechten Vorhersagen für Bohrabschnitte führt. Es besteht dringender Bedarf an einer wirtschaftlichen und effizienten neuen Methode zur Erfassung der Netzparameter. Daher wird eine auf Deep Learning basierende Inversionsmethode für Frakturnetze in Schiefergaslagerstätten vorgeschlagen, deren Kern die quantitative Analyse der Merkmalsparameter der Fracking-Kurve auf Grundlage von Feld-Baukurvendaten ist, wobei stark korrelierte Netzparameterindikatoren als Eingabe und mikroseismisch überwachte Netzparameter (einschließlich Netzlänge, Breite, Höhe, Volumen) als Zielausgabe verwendet werden, um ein rückpropagationsbasiertes BP-Neuronales Netzmodell zu erstellen, das eine präzise Inversion der Frakturnetzparameter ermöglicht. Basierend auf 450 Fracking-Kurvenabschnitten von Schiefergasbohrungen in der Region Yuxi wurde das Modell trainiert und optimiert; die durchschnittliche relative Fehlerquote der Inversion der Netzparameter im Testdatensatz lag unter 15 %, was die Machbarkeit dieser neuen Methode zur Inversion von Frakturnetzen in Schiefergaslagerstätten bestätigt.

Schiefergas; Fracking-Kurve; Netzparameter-Vorhersage; BP-Neuronales Netz; Inversion