數(shù)據(jù)驅(qū)動的人工智能，如深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等，擁有強(qiáng)大的數(shù)據(jù)分析能力。這些技術(shù)可以對數(shù)據(jù)進(jìn)行統(tǒng)計和概率分析，從而促進(jìn)輸入和輸出之間關(guān)系的映射，而無需依賴預(yù)先確定的物理假設(shè)。訓(xùn)練數(shù)據(jù)驅(qū)動模型過程的核心是損失函數(shù)的利用，該函數(shù)計算模型輸出與所需目標(biāo)結(jié)果(標(biāo)簽)之間的差異。然后優(yōu)化器根據(jù)損失函數(shù)調(diào)整模型的參數(shù)，以最小化輸出和標(biāo)簽之間的差異。

同時，地球物理測井涉及豐富的領(lǐng)域知識、數(shù)學(xué)模型和物理模型。僅依賴數(shù)據(jù)驅(qū)動模型有時可能會產(chǎn)生與既定知識相矛盾的結(jié)果。此外，分布不均勻和主觀標(biāo)簽的訓(xùn)練數(shù)據(jù)也會影響數(shù)據(jù)驅(qū)動模型的性能。

最近發(fā)表在《地球科學(xué)人工智能》雜志上的一項研究報告了在測井儲層參數(shù)預(yù)測任務(wù)中使用測井響應(yīng)函數(shù)訓(xùn)練數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)模型的約束的實施。

該研究的第一作者、中國石油大學(xué)(北京)的博士生邵榮波分享道：“我們的模型稱為巖石物理學(xué)知情神經(jīng)網(wǎng)絡(luò)(PINN)，它將巖石物理學(xué)約束融入到損失函數(shù)中以指導(dǎo)訓(xùn)練。” “模型輸出與巖石物理學(xué)知識不同，損失函數(shù)受到巖石物理學(xué)約束的懲罰。這使得輸出更接近理論值，并減少標(biāo)記錯誤對模型訓(xùn)練的影響。”

此外，這種方法有助于從訓(xùn)練數(shù)據(jù)中辨別正確的關(guān)系，特別是在處理小樣本時。

“我們引入了允許誤差和巖石物理約束權(quán)重，使機(jī)器學(xué)習(xí)模型中機(jī)制模型的影響更加靈活，”邵解釋道。 “我們評估了 PINN 模型使用測量數(shù)據(jù)預(yù)測儲層參數(shù)的能力。”

邵和他的同事發(fā)現(xiàn)，與純數(shù)據(jù)驅(qū)動模型相比，該模型提高了準(zhǔn)確性和魯棒性。盡管如此，研究人員指出，選擇巖石物理約束權(quán)重和允許誤差仍然是主觀的，因此需要進(jìn)一步探索。

通訊作者、中國石油大學(xué)肖立志教授強(qiáng)調(diào)了這項研究的意義：“將數(shù)據(jù)驅(qū)動的人工智能模型與知識驅(qū)動的機(jī)制模型相結(jié)合是一個很有前景的研究領(lǐng)域。PINN模型在測井中的成功是向前邁出的重要一步地球科學(xué)朝這個方向發(fā)展。”

肖強(qiáng)調(diào)需要不斷完善，“巖石物理約束權(quán)重和允許誤差的選擇，以及領(lǐng)域知識對不同地質(zhì)地層的適應(yīng)性，提出了持續(xù)的挑戰(zhàn)。此外，數(shù)據(jù)集的質(zhì)量對于人工智能在石油勘探中的應(yīng)用至關(guān)重要。地球物理測井。需要全面、公開的高質(zhì)量、高數(shù)量的測井?dāng)?shù)據(jù)集。”