_ Cunoștințele domeniului sunt bazate pe date inteligența artificială în înregistrarea puțurilor

Inteligenta artificială bazată pe date, cum ar fi învățarea profundă și învățarea prin consolidare, posedă capabilități puternice de analiză a datelor. Aceste tehnici permit analiza statistică și probabilistică a datelor, facilitând cartografierea relațiilor dintre intrări și ieșiri fără a se baza pe ipoteze fizice predeterminate.

Central procesului de formare a modelelor bazate pe date este utilizarea unei pierderi. funcția, care calculează diferența dintre rezultatul modelului și rezultatele țintă dorite (etichete). Optimizatorul ajustează apoi parametrii modelului pe baza funcției de pierdere pentru a minimiza diferența dintre rezultat și etichete.

Între timp, înregistrarea geofizică implică o mulțime de cunoștințe de domeniu, modele matematice și modele fizice. Bazarea exclusiv pe modele bazate pe date poate produce uneori rezultate care contrazic cunoștințele stabilite. În plus, datele de instruire cu distribuție neuniformă și etichete subiective pot avea, de asemenea, un impact asupra performanței modelelor bazate pe date.

Un studiu recent publicat în Artificial Intelligence in Geoscience a raportat implementarea constrângerilor privind antrenarea mașinilor bazate pe date. modele de învățare care utilizează funcții de răspuns de înregistrare în sarcinile de predicție a parametrilor rezervorului de înregistrare a puțurilor.

„Modelul nostru, numit Petrophysics Informed Neural Network (PINN), integrează constrângerile petrofizice în funcția de pierdere pentru a ghida antrenamentul”, spune studiul. primul autor, Rongbo Shao, Ph.D. candidat de la China University of Petroleum-Beijing. „În timpul pregătirii modelului, dacă rezultatul modelului diferă de cunoștințele petrofizice, funcția de pierdere este penalizată de constrângerile petrofizice. Acest lucru aduce rezultatul mai aproape de valoarea teoretică și reduce impactul erorilor de etichetare asupra antrenamentului modelului.”

În plus, această abordare ajută la discernerea relațiilor corecte din datele de antrenament, în special atunci când avem de-a face cu eșantioane de dimensiuni mici.

„Introducem erori admisibile și greutăți de constrângere petrofizice pentru a influența modelele mecanismelor în învățarea automată. model mai flexibil”, explică Shao. „Am evaluat capacitatea modelului PINN de a prezice parametrii rezervorului folosind date măsurate.”

Shao și colegii săi au descoperit că modelul a îmbunătățit acuratețea și robustețea în comparație cu modelele pur bazate pe date. Cu toate acestea, cercetătorii au remarcat că selectarea ponderilor constrângerilor petrofizice și a erorii admisibile rămâne subiectivă, prin urmare necesită o explorare suplimentară.

Autorul corespondent Prof. Lizhi Xiao de la China University of Petroleum subliniază importanța acestei cercetări, „Integrarea bazată pe date. Modelele AI cu modele de mecanisme bazate pe cunoștințe reprezintă un domeniu de cercetare promițător. Succesul modelului PINN în înregistrarea puțurilor este un pas semnificativ înainte pentru geoștiința în această direcție."

Xiao subliniază necesitatea rafinării continue, „Selectarea greutăților constrângerilor petrofizice și a erorilor admisibile, precum și adaptabilitatea cunoștințelor domeniului la diferite straturi geologice, prezintă provocări continue. În plus, calitatea seturilor de date este crucială pentru aplicarea IA în înregistrarea geofizică. Puț cuprinzător, disponibil publicului sunt necesare seturi de date în jurnal cu calitate și cantitate înaltă.”

(Fluierul)