آج کے توانائی کے میدان میں ، شیل گیس ، ایک اہم غیر روایتی قدرتی گیس وسائل کے طور پر ، اس کی موثر ترقی اور درست تشخیص کے لئے بہت اہمیت کا حامل ہے۔ فریکچر نیٹ ورکس کا الٹا شیل گیس کی موثر ترقی اور درست تشخیص کی کلید ہے۔
تاہم ، روایتی طریقوں کو بہت سارے چیلنجوں کا سامنا کرنا پڑتا ہے ، جیسے اعلی قیمت اور نامکمل ڈیٹا۔ حالیہ برسوں میں ، گہری سیکھنے والی ٹکنالوجی کی تیز رفتار ترقی نے شیل گیس کے ذخائر میں فریکچر نیٹ ورکس کے الٹ جانے کے لئے نئے مواقع اور کامیابیاں لائی ہیں۔ شیل گیس کے آبی ذخائر انتہائی کمپیکٹ اور نمایاں طور پر متفاوت ہیں ، جس میں انتہائی کم قدرتی پیداوار ہے۔ اگرچہ روایتی فریکچر مانیٹرنگ ٹیکنالوجیز (جیسے مائیکرو - زلزلہ نگرانی) کچھ معلومات فراہم کرسکتی ہیں ، لیکن وہ مہنگے ہیں اور نگرانی کے لئے اچھے علاقے کو پوری طرح سے احاطہ نہیں کرسکتے ہیں۔ اگرچہ عددی تخروپن کی پیشن گوئی کے ماڈلز کا ایک خاص کردار ہے ، لیکن ان کے پاس ارضیاتی اعداد و شمار کی سالمیت کے ل high اعلی تقاضے ہیں ، اور جب ارضیاتی اعداد و شمار نامکمل ہوں یا اچھی طرح سے لاپتہ حصے موجود ہیں تو پیشن گوئی کا اثر اچھا نہیں ہے۔
مذکورہ بالا صورتحال کی بنیاد پر ، اس مقالے میں گہری سیکھنے پر مبنی شیل گیس کے ذخائر میں فریکچر نیٹ ورکس کے الٹا طریقہ کی تجویز پیش کی گئی ہے۔ یہ طریقہ تعمیر کے دوران سائٹ کو فریکچر کرنے والے وکر کے اعداد و شمار پر مبنی ہے اور فریکچر وکر کے خصوصیت کے پیرامیٹرز پر مقداری تجزیہ کرتا ہے۔ گہرائی کی تحقیق کے ذریعے ، یہ پایا جاتا ہے کہ فریکچر نیٹ ورک کے پیرامیٹرز کے ان پٹ اور مائیکرو - زلزلہ مانیٹرنگ فریکچر نیٹ ورک پیرامیٹرز (فریکچر نیٹ ورک کی لمبائی ، چوڑائی ، اونچائی ، حجم) کے طور پر فریکچر نیٹ ورک کے پیرامیٹرز کے مضبوطی سے وابستہ اشارے لے کر ہدف آؤٹ پٹ ، ایک بی پی (بیک پروپیگنڈہ) نیورل نیٹ ورک الٹ پیریکچرز کو درست طریقے سے شامل کرنے کے لئے قائم کیا جاسکتا ہے۔ مخصوص تحقیق میں ، مغربی چونگنگ کے علاقے میں شیل گیس کنوؤں کے 450 - طبقہ کو فریکچر کرنے والے منحنی خطوط پر مبنی ، ماڈل کی تربیت اور پیرامیٹر کی اصلاح کی جاتی ہے۔
جانچ کے بعد ، اس ماڈل کے فریکچر نیٹ ورک پیرامیٹر الٹا نتائج کی اوسط رشتہ دار غلطی 15 than سے کم ہے ، جو شیل گیس کے ذخائر میں فریکچر نیٹ ورکس کے الٹ جانے کے لئے نئے طریقہ کار کی فزیبلٹی اور تاثیر کی تصدیق کرتی ہے۔ تکنیکی نقطہ نظر سے ، گہری فیڈ - فارورڈ نیورل نیٹ ورک (DFNN) ، گہری سیکھنے میں ایک اہم الگورتھم کے طور پر ، ایک کثیر الجہتی نیورون ڈھانچہ ہے جو غیر لکیری تبدیلی کے ذریعہ پیچیدہ اعداد و شمار کے نمونوں کا تخمینہ لگا سکتا ہے۔ بی پی نیورل نیٹ ورک ، ڈی ایف این این کے ایک تربیتی طریقہ کار کے طور پر ، نیٹ ورک کے وزن اور تعصب کو ایڈجسٹ کرنے کے لئے غلطی کا استعمال کرتا ہے - پروپیگنڈہ الگورتھم ، آگے کی تشہیر اور غلطی کا پیچھے ہے - پروپیگنڈہ میکانزم ، اور ایک سے زیادہ تکرار کے ذریعے نیٹ ورک کی کارکردگی کو بہتر قیمت کے تخمینے کے ل. بہتر بناتا ہے۔ ڈیٹا پروسیسنگ کے معاملے میں ، فریکچرنگ تعمیراتی منحنی خطوط کی گہرائی میں مقداری طور پر تجزیہ کیا جاتا ہے۔
فریکچرنگ کنسٹرکشن وکر پمپ انجیکشن پریشر ، تعمیراتی نقل مکانی اور ریت کے حراستی منحنی خطوط پر مشتمل ہے ، جو پہلے سے فلش اسٹیج ، ریت میں تقسیم ہوتا ہے - فریکچرنگ مرحلے اور پمپ کو شامل کرنا - رکنے والے مرحلے میں۔ فریکچرنگ وکر کی خصوصیت کے پیرامیٹرز کو بالترتیب مختلف مراحل کے لئے نکالا جاتا ہے ، جیسے پری فلش سیال ، فریکچر پریشر وغیرہ کے فی یونٹ حجم میں بڑھتا ہوا دباؤ ، مجموعی طور پر 18 خصوصیت کے پیرامیٹرز کو مقداری اشارے کے طور پر منتخب کیا جاتا ہے ، جس کے نتیجے میں الٹی ماڈل کے بعد کے قیام کے لئے ٹھوس ڈیٹا فاؤنڈیشن بچھائی جاتی ہے۔ ایک ہی وقت میں ، اعداد و شمار کو معمول پر لایا جاتا ہے ، مختلف پیرامیٹرز کے شدت کے فرق کو ختم کرنے کے لئے زیڈ - اسکور کو معمول پر لانے کا طریقہ منتخب کیا جاتا ہے ، اور باکس - پلاٹوں کو بصری تجزیہ کے لئے استعمال کیا جاتا ہے تاکہ یہ یقینی بنایا جاسکے کہ ڈیٹا بی پی نیورل نیٹ ورک کی ضروریات کو پورا کرتا ہے۔ ہر اشارے اور فریکچر نیٹ ورک پیرامیٹرز کے مابین ارتباط کی طاقت کا تعین کرنے کے لئے پیئرسن ارتباط گتانک طریقہ کے ذریعہ ہدف کے پیرامیٹرز پر فریکچرنگ وکر مقداری اشارے کے اثر و رسوخ کی ڈگری کا درجہ اور تجزیہ کیا جاتا ہے۔
ڈیٹا اسکیل اور ارتباط تجزیہ کے نتائج کے مطابق ، فریکچر نیٹ ورک کی لمبائی ، فریکچر نیٹ ورک کی چوڑائی ، فریکچر نیٹ ورک کی اونچائی اور فریکچر نیٹ ورک کے حجم کو حتمی تشخیصی اہداف کے طور پر منتخب کیا جاتا ہے ، اور تبادلوں کا مسئلہ - مناسب نیورل نیٹ ورک ڈھانچے اور ہائپر پیرامیٹرز کو ڈیزائن کرنے کے لئے الگ الگ ماڈلنگ کا طریقہ اپنایا جاتا ہے۔ کراس - توثیق کے ٹیسٹ کے بعد ، تین - پرت گہری فیڈ - فارورڈ نیٹ ورک فریکچر نیٹ ورک کے پیرامیٹرز کی پیش گوئی کرنے کی درستگی اور تربیت کی کارکردگی کی درستگی کے لحاظ سے اہم فوائد ظاہر کرتا ہے۔ تحقیقی نتائج سے پتہ چلتا ہے کہ ان پٹ کے طور پر منتخب کردہ مضبوطی سے وابستہ خصوصیت والے پیرامیٹرز کے ساتھ اعصابی نیٹ ورک ماڈل نسبتا accurate درست فریکچر نیٹ ورک پیرامیٹر کے نتائج حاصل کرسکتا ہے۔ ٹریننگ سیٹ کی اوسط نسبتا غلطی کو 10 ٪ کے اندر کنٹرول کیا جاتا ہے ، اور ٹیسٹ سیٹ کی اوسط نسبتا غلطی 15 than سے کم ہے ، جو سائٹ فریکچر نیٹ ورک پیرامیٹر الٹا - آن کے لئے قابل اجازت غلطی کو پورا کرتی ہے۔
آخر میں ، شیل گیس کے ذخائر میں فریکچر نیٹ ورکس کا گہرا سیکھنے - پر مبنی الٹا الٹا طریقہ شیل گیس کی موثر ترقی اور درست تشخیص کے لئے مضبوط تکنیکی مدد فراہم کرتا ہے۔ یہ طریقہ فریکچر نیٹ ورک کے پیرامیٹرز کو زیادہ درست طریقے سے حاصل کرسکتا ہے ، فریکچرنگ آپریشنز کو بہتر بنا سکتا ہے ، شیل گیس کی بازیابی کو بہتر بنا سکتا ہے ، اور توانائی کے میدان کی پائیدار ترقی میں معاون ہے۔ مستقبل میں ، اس طریقہ کار کا مزید مطالعہ اور بہتر بنایا جائے گا تاکہ اس کا اطلاق ہو اور زیادہ شیل گیس کے ذخائر میں مقبول ہو۔
