L’Intelligenza Artificiale (IA) basata sui dati ha avuto un impatto significativo su varie industrie, incluso il settore del logging geologico e geofisico. Con l’avvento delle tecniche di deep learning e reinforcement learning, l’IA è diventata uno strumento potente per analizzare e interpretare insiemi di dati complessi senza fare affidamento su assunzioni fisiche predeterminate.
Nel campo delle scienze della terra e del logging geologico, i modelli di IA basati sui dati sono stati impiegati per scoprire relazioni nascoste e formulare previsioni accurate. Questi modelli utilizzano una funzione di perdita per misurare la discrepanza tra l’output del modello e i risultati desiderati (etichette). Minimizzando questa differenza, il modello di IA regola i suoi parametri per migliorare le sue previsioni.
Tuttavia, ci sono delle sfide nel fare affidamento esclusivamente su modelli basati sui dati nell’analisi geologica. La distribuzione disomogenea e l’etichettatura soggettiva dei dati di addestramento possono portare a risultati che contraddicono la conoscenza consolidata nel settore. Inoltre, l’assenza di modelli matematici e fisici convenzionali può complicare ulteriormente l’interpretazione dei dati nel contesto del logging geologico.
Per superare queste sfide, uno studio recente pubblicato su Artificial Intelligence in Geoscience ha introdotto un approccio innovativo chiamato Neural Network Informato dalla Petrofisica (PINN). Il modello PINN integra vincoli petrofisici nella funzione di perdita durante l’addestramento del modello. Penalizzando la funzione di perdita quando l’output del modello si discosta dalla conoscenza petrofisica consolidata, il modello PINN avvicina le previsioni ai valori teorici e riduce l’impatto degli errori di etichettatura.
Inoltre, l’incorporazione di vincoli petrofisici aiuta a identificare le relazioni corrette dai dati di addestramento, anche quando si gestiscono campioni limitati. Nello studio, il modello PINN ha dimostrato un’accuratezza e una robustezza migliorate nella previsione dei parametri di serbatoio rispetto ai modelli puramente basati sui dati.
Tuttavia, la selezione dei pesi dei vincoli petrofisici e degli errori consentiti nella funzione di perdita è soggettiva e richiede ulteriori approfondimenti. Lo studio sottolinea la necessità di un continuo perfezionamento nell’integrazione dei modelli di IA basati sui dati con i modelli meccanici basati sulla conoscenza.
Per migliorare ulteriormente l’applicazione dell’IA nel logging geofisico, sono essenziali insiemi di dati di logging geologico ampiamente disponibili di alta qualità e quantità. Questi insiemi di dati possono contribuire a migliorare l’adattabilità della conoscenza del settore a varie strutture geologiche e ad aumentare la qualità complessiva dei dati utilizzati nei modelli di IA.
Per ulteriori informazioni sulla ricerca discussa in questo articolo, si può fare riferimento all’articolo intitolato “Valutazione del serbatoio utilizzando l’apprendimento automatico informato dalla petrofisica: uno studio di caso” pubblicato sulla rivista Artificial Intelligence in Geosciences. L’articolo, scritto da Rongbo Shao et al., può essere consultato qui: [Artificial Intelligence in Geosciences](https://www.sciencedirect.com)
The source of the article is from the blog regiozottegem.be