Знания предметной области управляют искусственным интеллектом в каротаже

Искусственный интеллект (ИИ) на основе данных, такой как глубокое обучение, обладает мощными возможностями анализа. Эти методы позволяют проводить статистический и вероятностный анализ данных, устанавливая связи между входными и выходными параметрами без опоры на заранее заданные физические допущения.

Ключевым в процессе обучения таких моделей является использование функции потерь, которая вычисляет расхождение между выходными данными модели и желаемыми целевыми результатами (метками). Оптимизатор затем корректирует параметры модели на основе этой функции, чтобы минимизировать разницу.

В то же время геофизический каротаж опирается на богатые знания предметной области, математические и физические модели. Использование исключительно моделей на основе данных иногда может давать результаты, противоречащие установленным знаниям. Кроме того, на производительность моделей могут влиять данные с неравномерным распределением и субъективные метки.

Недавнее исследование, опубликованное в журнале Artificial Intelligence in Geoscience, сообщило о внедрении ограничений в обучение моделей машинного обучения с использованием функций каротажного отклика для задач прогнозирования параметров коллектора.

«Наша модель, называемая Petrophysics Informed Neural Network (PINN), интегрирует петрофизические ограничения в функцию потерь для управления обучением», — говорит первый автор исследования, аспирант Китайского нефтяного университета в Пекине Жунбо Шао. — «Если выходные данные модели расходятся с петрофизическими знаниями, функция потерь получает штраф. Это приближает результат к теоретическому значению и снижает влияние ошибок разметки».

Кроме того, этот подход помогает выявлять правильные взаимосвязи в данных, особенно при работе с малыми выборками.

«Мы вводим допустимую погрешность и весовые коэффициенты петрофизических ограничений, чтобы сделать влияние механистических моделей в модели машинного обучения более гибким», — поясняет Шао. — «Мы оценили способность модели PINN прогнозировать параметры коллектора, используя реальные данные».

Шао и его коллеги обнаружили, что модель обладает повышенной точностью и устойчивостью по сравнению с чисто данно-ориентированными моделями. Тем не менее, исследователи отметили, что выбор весовых коэффициентов ограничений и допустимой погрешности остается субъективным и требует дальнейшего изучения.

Автор-корреспондент, профессор Личжи Сяо из Китайского нефтяного университета, подчеркивает значимость этой работы: «Интеграция данно-ориентированных моделей ИИ со знание-ориентированными механистическими моделями — перспективная область исследований. Успех модели PINN в каротаже — важный шаг в этом направлении для наук о Земле».

Сяо указывает на необходимость дальнейшего совершенствования: «Выбор весовых коэффициентов ограничений и допустимой погрешности, а также адаптируемость знаний предметной области к различным геологическим пластам остаются актуальными задачами. Кроме того, качество наборов данных крайне важно для применения ИИ в геофизическом каротаже. Необходимы комплексные, общедоступные наборы каротажных данных высокого качества и объема».