别的部门算法只作为标定、反演方式正在局部使

日期:2019-11-05    点击率:

  深度进修手艺代表了人工智能的成长标的目的,并鞭策人工智能手艺达到一个新的高度,已正在图像识别和语音识别范畴获得庞大成功。那么对于同样具有巨量数据的地动勘察,能否能够自创深度进修手艺呢?可否获得智能化的地动处置或注释成果,并具有相当的靠得住性?

  当然,以上手艺中,有些是晚期的人工智能手艺,次要使用正在同相轴逃踪、地质层位对比、地动剖面纹理朋分等方面。但还不克不及认为是实正的“人工智能”,只是通过一些专家系统、模式识别、或简单的智能化算法来实现,还算不上实正的“智能”。别的部门算法只做为标定、反演方式正在局部使用,没无形成尺度规范的使用流程,没无形成进修和学问堆集的过程,没无形成不竭进化和(跨项目、跨工区)使用的智能模子。将来可否实现地动处置的从动化和注释的智能化,这是地动勘察的成长标的目的及逃求,也是“人工智能”正在地动勘察范畴能否实现的标记,具有里程碑的意义。

  年代中期,人工智能手艺取计较机硬件系统布局的亲近连系,呈现了一批顺应勘察开辟需要的适用手艺。这些手艺成长到今天,以人工神经收集手艺、恍惚逻辑、专家系统做为人工智能的典型代表手艺使用较为活跃,已渗入到石油勘察开辟的各个环节,对石油工业发生了主要的影响。

  从现有的地动勘察手艺前提来说,高机能计较该当不成为问题,逃求更快速更大规模的计较能力一曲伴跟着地动勘察行业,地动勘察行业也从来不惜于正在计较资本上的投入;深度进修算法方面,手艺已比力成熟,网上有很多开源的神经收集算法能够拿来利用,但若何选用合适算法搭建适合地动处置或注释的架构还未见过报道,深度进修的各类算法能否能顺应地动勘察的使用还有待商榷;别的一个环节的处所是若何成立适合地动处置和注释的锻炼样本库?若何阐扬地动勘察获得的海量数据感化?这是影响深度进修手艺正在地动处置和注释中使用的一个次要妨碍。

  正在地球物理勘察范畴,研究人员早正在十多年前就起头操纵神经收集方式锻炼地下含油气储层取地动数据的映照模子,操纵映照模子进行油气检测的手艺曾经相当完整成熟。时至今日,浩繁地球物理勘察软件里均包含了此算法的现实模块。

  此外,人工智能范畴成长的大量非线性优化手艺,如基因算法、模仿退化算法、粒子群算法、马尔科夫链蒙特卡洛方式等,已纳入到地球物理反演手艺的研究范畴中。跟着物联网和通信手艺的成长,数据爆炸性的增加和计较能力呈几何级速度的提高,人工智能手艺将步入一个全面繁荣期。基于聚类阐发算法的地动相阐发手艺、基于贝叶斯层级收集的地动子波提取手艺……这些人工智能手艺,也正以史无前例的速度渗入进石油地球物理专业的方方面面,悄悄改变着人们对石油地球物理工做的保守思惟取不雅念。

  家喻户晓,深度进修需要大量的锻炼素材。AlphaGo之所以强悍,可以或许取得傲人的成就是用了RL network棋战的3000万棋局做为锻炼数据;ImageNet挑和赛所供给锻炼用的图片库数量也曾经达到1300万之多(图1、图2);谷歌的OpenImage数据集也囊括了900万张图片,分为6000多品种别;这些天文级此外锻炼样本数据恰是深度进修手艺可以或许独步全国,完美的奇妙所正在。

  如统计学、人工神经收集手艺、恍惚逻辑正在单井多相流分析丈量和诊断阐发中的使用;神经模仿方式用于对尝试室测得的石油工程参数和现场测井参数等复杂数据进行分析的并行计较和阐发,并成立预测模子;神经收集和恍惚逻辑相连系被成功使用到了裂隙性油藏的阐发中,并正在二维空间中绘制出裂隙强度分布图和裂隙收集;恍惚逻辑和神经收集手艺被成功用于选择最佳的测井数据对油藏特征进行研究的案例中。此外,网上赌大小,人工智能手艺还正在残剩油分布研究、NMR测井数据反演、储层对比阐发、钻井成功率预测以及石油开采量预测等诸多方面都有使用。

  这需要从深度进修手艺的几个环节要素说起:高机能计较、大数据和算法,某些环境下还要考虑使用场景要素。

  不只如斯,现在的人工智能手艺也正在鞭策地球物理勘察的成长。此中,正在计较机视觉范畴以及图形图像处置范畴有着普遍使用的边缘检测算法,正在从动逃踪地动层位辅帮地动注释方面已具备相当能力;基于人工群体智能的蚂蚁逃踪方式,可将上千个计较“智能体”正在三维地动数据中,拾取不持续性小片段,从动完成地动断层的注释。这两项手艺已使得地动注释从动化的概念成为可能。