1.一种基于神经网络的储层岩石裂缝网络扩展预测模型的建模方法，其特征在于，具体包括如下步骤：步骤一、获得每种储层岩石的原始地质参数和裂缝组合参数；根据原始地质参数生成多个原始地质参数随机值，并根据原始地质参数和裂缝组合参数生成多个裂缝组合参数随机值，将原始地质参数随机值和裂缝组合参数随机值组合，构成裂缝网络扩展模拟数据集；

步骤二、获取分形结构的分形参数，结合裂缝网络扩展模拟数据集和分形参数，构建基于分形结构的特征数据集，并将基于分形结构的特征数据集分成训练集、验证集以及测试集；

步骤三、建立基于神经网络的预测模型；

步骤四、将训练集输入到预测模型中进行训练，在训练完成后，将验证集输入到预测模型进行验证以及将测试机输入到预测模型中进行测试；

根据原始地质参数和裂缝组合参数生成多个裂缝组合参数随机值，包括如下步骤：步骤11、设置初始参数和边界条件：所述初始参数包括地质参数、页岩杨氏模量及泊松比、初始裂缝长度和初始裂缝倾角，地质参数包括孔隙度、渗透率；边界条件包括应力场和位移条件，并将所述边界条件和初始参数输入到位移不连续法的模型中；

步骤12、通过位移不连续法求解裂缝面上的位移来模拟裂缝的扩展：在每个时间步中计算裂缝面上的应力和位移并更新裂缝形态，通过迭代计算，得到预定时间序列中不同时刻的裂缝形态，将得到的多组裂缝形态组合得到裂缝组合参数随机值，裂缝形态包括裂缝长度和裂缝倾角；

步骤13、将生成的原始地质参数随机值和裂缝组合参数随机值组合起来；

步骤12、具体包括如下步骤：

步骤121、根据初始参数和边界条件以及弹性力学基本原理，利用应力边界积分方程求解裂缝面上的位移不连续性：其中， 为初始地应力场，σij(x)为考虑裂缝影响后的总应力场，Γ为裂缝面，∫ΓGijkl(x,y)为格林函数，i、j、k、l分别表示格林函数中张量的各个分量，i和j表示观察点的位移或应力的分量方向，即作用在第i个面上沿第j个方向的剪应力，k和l表示源点施加的力或应力的方向，x表示计算应力点的对应位置，y表示积分路径上的点，Δu为裂缝面上的位移，求解Δu的过程如下：将裂缝面离散化为N个子单元，子单元上的位移为Δuq，通过上述离散化，对于每个裂缝单元p，应力边界积分方程可转化为线性代数方程：其中，p、q均为离散的裂缝单元，p表示观察点或计算应力的指定离散位置；q表示裂缝面上的子单元索引，用于遍历所有子单元， 为子单元p处的总应力场，Δuq为第q个子单元上的位移， 表示子单元p处的格林函数，描述了单元q对p处的应力影响，通过对全部N个裂缝子单元q求和，表示累加每个子单元在p处的应力贡献；

在迭代过程中求解公式(2)时，首先对Δuq做一个猜测值作为初始值，并计算基于初始猜测的 以及对应的能量范数E(u)，能量范数定义为：其中，ò(u)是应变张量，通过位移Δuq代入几何方程计算：

表示张量之间的双重内积运算，Ω是页岩的体积域，ρ是页岩体积力的密度，影响整体的力平衡和能量分布，x和y分别为坐标系中的x方向和y方向；

通过调整Δuq的值以最小化能量范数E(u)，从而逐步使Δuq与 收敛至真实值；

步骤122、根据得到的Δuq和 更新裂缝的形态，具体步骤如下：

步骤1221、计算应力强度因子，应力强度因子分为开裂强度因子KI和滑移强度因子KII，分别表示为：其中，σ和τ分别为正应力和切应力，正应力和切应力分别为 的分量，是裂缝长度，Y、Y是一个与裂缝形状和加载条件有关的几何因子；

步骤1222、计算能量释放率G，G通过以下公式计算：

其中，E′是等效弹性模量，对于平面应力，E′＝E，对于平面应变， ν是泊松比；

步骤1223、根据裂缝扩展准则，裂缝是否扩展取决于G是否达到或超过材料的断裂韧性Gc，如果G≥Gc，则裂缝会扩展；

步骤1224、当确定裂缝扩展时，更新裂缝形态，否则该步骤不执行；更新裂缝形态包括如下步骤：

1)将 的基础上添加一定大小的应力得到新的应力场σ′ij(x)，并令G＝Gc；

2)将新的应力场σ′ij(x)以及新的G代入到公式(5)、(6)、(7)中，得到裂缝的新长度anew以及裂缝倾角θ，

3)根据得到的anew和θ更新裂缝形态，所述裂缝形态包括裂缝长度和裂缝倾角，并将每次得到的裂缝形态进行保存；

步骤123、返回到步骤121，对下一个子单元进行计算，直至对所有的子单元都完成计算，将模拟得到的多组裂缝形态保存为数据文件，即为裂缝组合参数随机值。

2.根据权利要求1所述的一种基于神经网络的储层岩石裂缝网络扩展预测模型的建模方法，其特征在于，在执行步骤二之前，对裂缝网络扩展模拟数据集进行如下处理：步骤14、通过主成分分析将步骤13得到的组合从高维度映射至低维特征空间；

步骤15、基于步骤14得到的数据构造高级特征数据集，高级特征数据集即为步骤二中的裂缝网络扩展模拟数据集。

3.根据权利要求2所述的一种基于神经网络的储层岩石裂缝网络扩展预测模型的建模方法，其特征在于，步骤14具体包括如下步骤：步骤141、标准化数据样本，使其均值为0，方差为1；

步骤142、计算协方差矩阵C：

求协方差矩阵C的特征向量与特征值，即求解方程Cv＝λv，其中λ是特征值向量，v是对应的特征向量，n表示数据样本数量，xi为第i个数据样本的特征向量，是数据样本集中所有数据样本的平均向量；

步骤143、选择λ中最大的m个特征值λ1≥λ2≥…≥λm对应的特征向量，构成转换矩阵W＝[v1,v2,…vm]，令Z＝XW，

X是数据样本的数据矩阵，X的每行是一个数据样本，每列是一个特征，Z为主成分矩阵，Z的每行是一个样本，每列是一个主成分。

4.根据权利要求3所述的一种基于神经网络的储层岩石裂缝网络扩展预测模型的建模方法，其特征在于，步骤15采用以下两种方法之一：

1)标准化：将特征缩放到相同的尺度，其中z是主成分矩阵Z的其中一列，z’是标准化后的结果，μ是该列的均值，σ是该列的标准差，

2)归一化：将特征缩放到[0,1]区间，其中z是主成分矩阵Z的其中一列，z’是归一化后的结果,经过该步骤，得到特征数据集：

其中 是由特征数据组成的集合， 是该集合中包含的特征向量数，Fn是其中第n个特征向量z'n，它的维度分量 表示经过主成分分解与标准化/归一化后的高级特征，对应着第i个标准化/归一化主成分z′n,i,i∈(1,m)。

5.根据权利要求4所述的一种基于神经网络的储层岩石裂缝网络扩展预测模型的建模方法，其特征在于，步骤二、构建基于分形结构的特征数据集，通过盒子计数法计算分形维数，步骤如下：步骤21、用不同大小的网格覆盖裂缝结构，统计每个网格大小下覆盖裂缝的盒子数量N(∈)，∈是网格的边长；绘制双对数logN(ε)和log(1/ε)图，则图中的斜率即为分形维数D，即分形维数计算公式为：步骤22、计算分形长度分布，首先统计裂缝的长度L数据，并绘制对应的概率分布图以及log P(L)对log L的图像，P(L)为指定长度的裂缝数量与裂缝总数量的比例，计算长度分布图的斜率即为长度分布指数α；

步骤23、将得到的分形维数D、所述长度分布指数α作为额外特征，加入到步骤一得到的裂缝网络扩展模拟数据集中，得到基于分形结构的特征数据集；

步骤24、获取多个预测时刻的裂缝网络扩展形态分布数据作为对应的预测标签，将预测标签加入到步骤22得到的基于分形结构的特征数据集中，得到最终的特征数据集，并将最终的特征数据集保存为数据帧格式，并导出为CSV文件；

步骤25、将步骤23得到的最终的特征数据集按照6:2:2的比例划随机地分为训练集、验证集以及测试集，训练集用于模型的训练，验证集用于模型训练过程中的验证，测试集用于最终评估模型的泛化能力。

6.根据权利要求5所述的一种基于神经网络的储层岩石裂缝网络扩展预测模型的建模方法，其特征在于，所述步骤三具体包括如下步骤：步骤31、将第一层设置为卷积层，卷积层用于捕捉地质参数之间的关系或者裂缝在空间上的模式和分布特性；

步骤32、将第二层设置有展平层，展平层用于将卷积层输出的多维张量的数据展平为一维向量；

步骤33、将第三层设置有多层感知机，用于从展平层输出的一维向量中提取全局特征和捕捉地质参数、裂缝组合参数与分析结构数据之间的关系，设置两层全连接层，每层的神经元数量根据数据复杂度和模型需求调整，使用由两层全连接层构成的多层感知机提取其全局特征，捕捉地质参数特征、裂缝组合参数与分析结构数据之间的关系；

步骤34、选择激活函数ReLU。

7.一种基于神经网络的储层岩石裂缝网络扩展预测方法，其特征在于，具体包括如下步骤：步骤一、获得待预测的储层岩石的原始地质参数和天然裂缝分布参数；

步骤二、将原始地质参数和天然裂缝分布参数输入到采用权利要求1‑6任一项所述的建模方法建立且完成训练的模型中，获取裂缝形态。