Umelá inteligencia poháňaná dátami (AI) zaznamenala významný vplyv na rôzne odvetvia, vrátane geologického a geofyzikálneho priemyslu zaznamenávania. S nástupom techník hlbokého učenia a učenia s posilením sa AI stala mocným nástrojom na analýzu a interpretáciu zložitých datasetov bez toho, aby sa zásadne spoliehala na predom dané fyzikálne predpoklady.
V oblasti geovedy a záznamov z hlbokých vrtov boli dátami riadené modely AI použité na odhalenie skrytých vzťahov a na presné predikcie. Tieto modely využívajú stratovú funkciu na meranie rozdielu medzi výstupom modelu a požadovanými výsledkami (značkami). Minimalizovaním tohto rozdielu model AI upravuje svoje parametre na zlepšenie predikcií.
Avšak existujú výzvy spočívajúce v spoliehaní sa len na dátami riadené modely pri geologickej analýze. Nerovnomerné rozdelenie a subjektívne označovanie trénovacích dát môže viesť k výsledkom, ktoré sú v rozpore s ustanovenými znalosťami v odvetví. Okrem toho absencia konvenčných matematických a fyzikálnych modelov môže ďalej skomplikovať interpretáciu údajov v kontexte záznamu z hlbokých vrtov.
Na prekonanie týchto výziev predstavila nedávna štúdia publikovaná v časopise Artificial Intelligence in Geoscience nový prístup nazývaný Informatívna neurónová sieť petrofyziky (PINN). Model PINN integruje obmedzenia petrofyziky do stratovej funkcie počas trénovania modelu. Tým, že trestá stratovú funkciu, keď výstup modelu odchýli od ustanovených znalostí petrofyziky, model PINN prináša predikcie bližšie k teoretickým hodnotám a znižuje vplyv chýb označovania.
Okrem toho, integrovanie obmedzení petrofyziky pomáha identifikovať správne vzťahy z trénovacích údajov, aj keď sa pracuje s obmedzenými veľkosťami vzorky. Vo štúdii model PINN preukázal zlepšenú presnosť a robustnosť pri predikcii parametrov ložísk v porovnaní s čistými dátami riadenými modelmi.
Avšak výber vhodných váh obmedzení a povolených chýb v stratovej funkcii je subjektívny a vyžaduje ďalšie preskúmanie. Štúdia zdôrazňuje potrebu ďalšieho zjemňovania pri integrácii modelov AI riadených dátami s modelmi mechanizmu riadenými znalosťou.
Pre ďalšie rozšírenie aplikácie AI v záznamoch fyzikálnych zákonitostí je nevyhnutná komplexná a verejne dostupná sada údajov z hlbokého vrtu vysoko kvalitných a kvantitatívnych údajov. Tieto datasety môžu pomôcť zlepšiť prispôsobivost znalostí odvetvia rôznym geologickým formáciám a všeobecnú kvalitu datasetov používaných v modeloch AI.
Pre ďalšie informácie o diskutovanej štúdii v tomto článku sa môžete pozrieť na článok s názvom „Hodnotenie ložísk pomocou informovaného strojového učenia petrofyziky: prípadová štúdia“ zverejnený v časopise Artificial Intelligence in Geosciences. Článok, ktorého autorom je Rongbo Shao et al., nájdete tu: Artificial Intelligence in Geosciences.
The source of the article is from the blog karacasanime.com.ve