Geologisen tekniikan ja öljykaasun etsinnän aloilla kivien huokoisuuden ja läpäisevyyden tarkka ennustaminen on erittäin tärkeä. Tällä hetkellä koneoppiminen on osoittanut suurta voimaa ja tarjonnut uusia ratkaisuja tähän vaikeaan ongelmaan. Artikkelin "Huokoisuuden ja läpäisevyyden muutoksen ennustaminen koneoppimisalgoritmeihin" pyritään tutkimaan erilaisten kone -oppimisalgoritmien sovellettavuutta kallioominaisuuksien ennustamiseen.
Tutkimukset suorittivat testit ja analyysit yli 100 suola -kanta -ydinnäytteestä yli 10 ominaisuutta varten (kuten suolakonsentraatio, alkuperäinen huokoisuus ja läpäisevyys, näytteen syvyys jne.) Ja muodostivat ennustemallin yhdistämällä tavanomaiset ydinanalyysitiedot ja muut geologiset parametrit. Kokeessa käytettiin erilaisia kone- ja oppimisalgoritmeja, mukaan lukien lineaarinen regressio (L1: n ja L2: n säätämisellä), päätöksentekopuut, satunnaiset metsät, gradientin lisääminen, hermoverkot ja tukivektorikoneet (SVM) jne.
Niistä kaksinkertainen piilotettu - kerroksen hermoverkko suoritti parhaiten, kun ennustettiin huokoisuuden, läpäisevyyden ja suolakonsentraation kolme kallioominaisuutta, osoittaen sen voimakkaat istuvuus- ja oppimisominaisuudet täysin. Tutkimustulokset osoittavat, että huokoisuuden ja läpäisevyyden muutosten ja suolakonsentraation välillä on merkittävä korrelaatio. Lineaarinen regressio, tukivektorikoneet ja hermoverkot toimivat hyvin huokoisuuden ja läpäisevyyden ennustamisessa. R² -arvot ovat kaikki korkeammat kuin 0. 8, mikä osoittaa, että nämä mallit voivat suhteellisen tarkasti kaapata huokoisuuden ja läpäisevyyden muuttuvia suuntauksia. Suolakonsentraation ennustemalli on kuitenkin suhteellisen heikko, R² -arvo on lähellä 0. 66, mutta sillä on silti tietty ennustekyky.
Tämä tutkimuspäätelmä korostaa koneoppimisen merkitystä geologisessa tekniikassa. Se vähentää riippuvuutta kalliista laboratorioanalyyseistä ja tarjoaa tehokkaan tavan ennustaa kallion ominaisuuksia, kun runsaasti kokeellisia tietoja puuttuu. Tulevaisuudessa tietojoukon laajuutta voidaan edelleen laajentaa koneen oppimismenetelmien tarkkuuden tarkistamiseksi eri geologisissa olosuhteissa.
Samanaikaisesti muita kone - oppimisalgoritmeja ja datan esikäsittelytekniikoita voidaan jatkuvasti tutkia ennustemallin suorituskyvyn parantamiseksi. Teknologian jatkuvan kehityksen myötä koneoppimisella on yhä tärkeämpi rooli geologisen tekniikan ja öljykaasun etsinnässä, mikä auttaa meitä paremmin ymmärtämään ja kehittämään maanalaisia resursseja, jolloin huokoisuuden ja läpäisevyyden ennustaminen ei enää ole vaikeaa ja injektoida uutta elinvoimaa teollisuuden kehitykseen.