În domeniile ingineriei geologice și explorării petrolului, a gazelor, predicția exactă a porozității și permeabilității rocilor este extrem de crucială. În prezent, învățarea automată a demonstrat o mare putere și a oferit noi soluții pentru această problemă dificilă. Cercetarea din articolul „Predicția porozității și modificarea permeabilității bazate pe algoritmi de învățare automată” își propune să exploreze aplicabilitatea diferiților algoritmi de învățare a mașinilor la predicția proprietăților rocilor.
Cercetările au efectuat teste și analize pe peste 100 de probe de miez cu sare pentru peste 10 caracteristici (cum ar fi concentrația de sare, porozitatea inițială și permeabilitatea, adâncimea eșantionului etc.) și a stabilit un model de predicție prin combinarea datelor de analiză de bază convenționale și a altor parametri geologici. Experimentul a utilizat o varietate de algoritmi de învățare a mașinilor, inclusiv regresie liniară (cu regularizare L1 și L2), arbori de decizie, păduri aleatorii, stimulare a gradientului, rețele neuronale și mașini vectoriale de asistență (SVM), etc.
Printre ele, rețeaua neuronală dublă - ascunsă - a efectuat cel mai bine atunci când a prezis cele trei proprietăți ale rocii ale porozității, permeabilității și concentrației de sare, demonstrând pe deplin capacitățile sale puternice de montare și învățare. Rezultatele cercetării arată că există o corelație semnificativă între modificările porozității și permeabilității și concentrația de sare. Regresia liniară, mașinile vectoriale de sprijin și rețelele neuronale funcționează bine în predicția porozității și a permeabilității, cu valori R² toate mai mari decât 0. 8, ceea ce indică faptul că aceste modele pot capta relativ exact tendințele în schimbare ale porozității și permeabilității. Cu toate acestea, modelul de predicție pentru concentrația de sare este relativ slab, cu o valoare R² apropiată de 0. 66, dar are încă o anumită abilitate predictivă.
Această concluzie de cercetare evidențiază importanța învățării automate în inginerie geologică. Reduce dependența de analize de laborator scumpe și oferă o modalitate eficientă de a prezice proprietățile rocilor atunci când lipsesc date experimentale abundente. În viitor, domeniul de aplicare al setului de date poate fi extins în continuare pentru a verifica exactitatea metodelor de învățare a mașinilor în diferite condiții geologice.
În același timp, alți algoritmi de învățare și tehnici de prelucrare a datelor pot fi explorate continuu pentru a îmbunătăți performanța modelului de predicție. Odată cu dezvoltarea continuă a tehnologiei, învățarea automată va juca un rol din ce în ce mai important în inginerie geologică și explorarea petrolului - gaze, ajutându -ne să înțelegem și să dezvoltăm mai bine resurse subterane, ceea ce face ca predicția porozității și permeabilității să nu mai fie dificilă și să injecteze o nouă vitalitate în dezvoltarea industriei.