使用深度学习方法从非结构化数据中增强知识发现,以支持地下建模预测

科学领域:

• 地质科学是地球科学.
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 地下层解释依赖于来自图像和地图等非结构化数据的专家知识.
• 现有的知识发现方法可能耗时,缺乏系统方法.
• 准确的测量地下数据 (核心,井日志,地震调查) 的上下文化对于可靠的模型至关重要.

研究的目的:

• 为了提高在地下科学知识的发现.
• 推进国家能源技术实验室 (NETL) 的地下趋势分析 (STA) 工作流程.
• 将人工智能 (AI) 深度学习方法集成到图像嵌入 STA 工作流中.

主要方法:

• 开发了一个AI深度学习工具,用于在STA工作流中嵌入图像.
• 该工具从非结构化知识产品 (出版物,地图,网站,演示文稿) 中提取图像.
• 图像被分类标记,为地质领域假设创建了一个存储库.

主要成果:

• STA图像嵌入工具成功地从各种来源提取图像.
• 该工具在分类标签上实现了高精度,大约在90%至95%之间.
• 一个关于墨西哥湾 (GOM) 文献的案例研究表明了该工具的有效性.

结论:

• 由人工智能驱动的STA图像嵌入工具显著提高了地下知识发现的效率和准确性.
• 这一进步为结合地质知识,统计建模和数据集提供了一种经过验证,基于科学的方法.
• 该工具通过增强的数据解释,可以更好地预测地下物质的特性.