Data-Driven tekoäly (AI) on vaikuttanut merkittävästi eri teollisuudenaloihin, mukaan lukien maaperän ja geofysikaalisen kirjautumisen alalle. Syvällisen oppimisen ja vahvistavan oppimisen tekniikoiden myötä tekoälystä on tullut voimakas työkalu monimutkaisten tietojoukkojen analysointiin ja tulkintaan ilman ennalta määrättyjä fyysisiä oletuksia.
Maatieteiden ja hyvin kirjaamisen alalla data-driven AI-mallit ovat olleet käytössä piilotettujen suhteiden selvittämiseen ja tarkkojen ennusteiden tekemiseen. Nämä mallit hyödyntävät tappiofunktiota mittaamaan eron mallin tuotoksen ja haluttujen kohdetulosten (leimojen) välillä. Minimoimalla tämä ero AI-malli säätää parametrejaan parantaakseen ennusteitaan.
Kuitenkin haasteita on pelkästään data-driven-mallien luottamisessa geologiseen analyysiin. Harvinainen jakauma ja subjektiivinen koulutusaineiston leimaaminen voivat johtaa tuloksiin, jotka ovat ristiriidassa vakiintuneen alan tiedon kanssa. Lisäksi perinteisten matemaattisten ja fyysisten mallien puuttuminen voi edelleen monimutkaistaa tietojen tulkintaa hyvin kirjautumisen yhteydessä.
Nämä haasteet voittamaan ehdotettiin äskettäin tutkimuksessa, joka julkaistiin Artificial Intelligence in Geoscience -aikakauslehdessä. Tässä esiteltiin uusi lähestymistapa nimeltä Petrofysiikan tietoon perustuva neuroverkko (PINN). PINN-malli integroi petrofysiikan rajoitukset tappiofunktioon mallin koulutuksen aikana. Rangaistessaan tappiofunktiota, kun mallin tuotanto poikkeaa vakiintuneesta petrofysiikan tiedosta, PINN-malli tuo ennusteet lähemmäs teoreettisia arvoja ja vähentää leimaamisvirheiden vaikutusta.
Lisäksi petrofysiikan rajoitteiden sisällyttäminen auttaa tunnistamaan oikeat suhteet koulutusdatassa, vaikka käsiteltäisiin rajoitettuja otoskokoja. Tutkimuksessa PINN-malli osoitti parantunutta tarkkuutta ja luotettavuutta ennustettaessa säiliöparametreja verrattuna puhtaisiin data-driven-malleihin.
Kuitenkin sopivien rajoitepainojen ja sallittavan virheen valitseminen tappiofunktiossa on subjektiivista ja vaatii lisäselvityksiä. Tutkimus korostaa tarvetta jatkaa data-driven AI-mallien integroinnin hienosäätöä tietoon perustuvien mekanismimallien kanssa.
AI:n soveltamisen parantamiseksi geofysikaalisessa kirjautamisessa on välttämätöntä, että käytettävissä on kattavia ja julkisesti saatavilla olevia hyvälaatuisia ja laadukkaita maaperän kirjautamisen tietojoukkoja. Nämä tietojoukot voivat auttaa parantamaan alan tiedon sopeutuvuutta vaihteleviin geologisiin kerroksiin ja parantaa yleisesti käytettyjen tietojoukkojen laatua AI-malleissa.
Lisätietoja tässä artikkelissa käsitellystä tutkimuksesta löydät artikkelista ”Säiliön arviointi petrofysiikkaan perustuvalla koneoppimisella: tapaustutkimus”, joka julkaistiin lehdessä Artificial Intelligence in Geosciences. Artikkelin on kirjoittanut Rongbo Shao ym. Se löytyy täältä: Artificial Intelligence in Geosciences.
[Upota video](https://www.youtube.com/embed/JmcIE1zUDIM)
The source of the article is from the blog macnifico.pt