Nei settori dell'ingegneria geologica e dell'esplorazione del gas petrolifero, la previsione accurata della porosità e della permeabilità delle rocce è estremamente cruciale. Attualmente, l'apprendimento automatico ha dimostrato grande potenza e fornito nuove soluzioni a questo difficile problema. La ricerca nell'articolo "Previsione della porosità e dell'alterazione della permeabilità basata su algoritmi di apprendimento automatico" mira a esplorare l'applicabilità di diversi algoritmi di apprendimento alla previsione delle proprietà rocciose.
La ricerca ha effettuato test e analisi su oltre 100 campioni di core di sale per oltre 10 caratteristiche (come la concentrazione di sale, la porosità iniziale e la permeabilità, la profondità del campione, ecc.) E hanno stabilito un modello di previsione combinando i dati di analisi del core convenzionale e altri parametri geologici. L'esperimento ha utilizzato una varietà di algoritmi di apprendimento, tra cui la regressione lineare (con regolarizzazione L1 e L2), alberi decisionali, foreste casuali, potenziamento del gradiente, reti neurali e macchine vettoriali di supporto (SVM), ecc.
Tra questi, la rete neurale a doppio - nascosto - ha eseguito il meglio quando si prevede le tre proprietà rocciose di porosità, permeabilità e concentrazione di sale, dimostrando completamente le sue capacità di adattamento e apprendimento. I risultati della ricerca mostrano che esiste una correlazione significativa tra i cambiamenti nella porosità e la permeabilità e la concentrazione di sale. La regressione lineare, le macchine vettoriali di supporto e le reti neurali si comportano bene nella previsione della porosità e della permeabilità, con valori R² tutti superiori a 0. 8, indicando che questi modelli possono catturare relativamente accuratamente le tendenze mutevoli della porosità e della permeabilità. Tuttavia, il modello di previsione per la concentrazione di sale è relativamente debole, con un valore R² vicino a 0. 66, ma ha ancora una certa capacità predittiva.
Questa conclusione di ricerca evidenzia l'importanza dell'apprendimento automatico nell'ingegneria geologica. Riduce la dipendenza da costose analisi di laboratorio e fornisce un modo efficace per prevedere le proprietà di roccia quando mancano dati sperimentali abbondanti. In futuro, l'ambito del set di dati può essere ulteriormente ampliato per verificare l'accuratezza dei metodi di apprendimento della macchina in diverse condizioni geologiche.
Allo stesso tempo, altri algoritmi di apprendimento e tecniche di pre -elaborazione dei dati possono essere continuamente esplorati per migliorare le prestazioni del modello di previsione. Con il continuo sviluppo della tecnologia, l'apprendimento automatico svolgerà un ruolo sempre più importante nell'ingegneria geologica e nell'esplorazione del gas, aiutandoci a comprendere meglio e sviluppare risorse sotterranee, rendendo la previsione della porosità e della permeabilità non più difficile e iniettando nuova vitalità nello sviluppo del settore.