O conhecimento do domínio impulsiona a inteligência artificial orientada por dados na perfilagem de poços
Rede neural residual informada petrofísica para previsão de parâmetros de reservatório multitarefa com função de perda acionada por mecanismo de dados. Crédito:Rongbo Shao, e outros A inteligência artificial baseada em dados, como aprendizagem profunda e aprendizagem por reforço, possui poderosas capacidades de análise de dados. Estas técnicas permitem a análise estatística e probabilística dos dados, facilitando o mapeamento das relações entre entradas e saídas sem depender de pressupostos físicos predeterminados.
Central para o processo de treinamento de modelos baseados em dados é a utilização de uma função de perda, que calcula a disparidade entre a saída do modelo e os resultados alvo desejados (rótulos). O otimizador então ajusta os parâmetros do modelo com base na função de perda para minimizar a diferença entre a saída e os rótulos.
Enquanto isso, a perfilagem geofísica envolve uma riqueza de conhecimento de domínio, modelos matemáticos e modelos físicos. A confiança exclusiva em modelos baseados em dados pode, por vezes, produzir resultados que contradizem o conhecimento estabelecido. Além disso, os dados de treinamento com distribuição desigual e rótulos subjetivos também podem impactar o desempenho dos modelos baseados em dados.
Um estudo recente publicado em Inteligência Artificial em Geociências relataram a implementação de restrições no treinamento de modelos de aprendizado de máquina baseados em dados usando funções de resposta de registro em tarefas de previsão de parâmetros de reservatórios de registro de poço.
“Nosso modelo, chamado Rede Neural Informada pela Petrofísica (PINN), integra restrições petrofísicas na função de perda para orientar o treinamento”, diz o primeiro autor do estudo, Rongbo Shao, Ph.D. candidato da China University of Petroleum-Pequim. "Durante o treinamento do modelo, se o resultado do modelo diferir do conhecimento petrofísico, a função de perda é penalizada por restrições petrofísicas. Isso aproxima o resultado do valor teórico e reduz o impacto de erros de rotulagem no treinamento do modelo."
Além disso, essa abordagem ajuda a discernir as relações corretas dos dados de treinamento, principalmente ao lidar com amostras pequenas.
“Introduzimos erros permitidos e pesos de restrição petrofísica para tornar mais flexível a influência dos modelos de mecanismo no modelo de aprendizado de máquina”, elabora Shao. "Avaliamos a capacidade do modelo PINN de prever os parâmetros do reservatório usando dados medidos."
Shao e seus colegas descobriram que o modelo melhorou a precisão e a robustez em comparação com modelos puramente baseados em dados. No entanto, os investigadores observaram que a selecção dos pesos das restrições petrofísicas e dos erros admissíveis permanece subjectiva, exigindo, portanto, uma exploração mais aprofundada.
O autor correspondente, Prof Lizhi Xiao, da China University of Petroleum, ressalta a importância desta pesquisa:"A integração de modelos de IA baseados em dados com modelos de mecanismos baseados em conhecimento é uma área de pesquisa promissora. O sucesso do modelo PINN na perfilagem de poços é um passo significativo em frente para a geociência nesta direção."
Xiao enfatiza a necessidade de refinamento contínuo:"A seleção dos pesos das restrições petrofísicas e dos erros admissíveis, bem como a adaptabilidade do conhecimento do domínio a vários estratos geológicos, apresentam desafios contínuos. Além disso, a qualidade dos conjuntos de dados é crucial para a aplicação da IA em São necessários conjuntos de dados de perfilagem de poços abrangentes e publicamente disponíveis, com alta qualidade e quantidade."
