使用深度学习和自我监督的方法来加速和改进地球地下表征

科学领域:

• 地质物理学 地质物理学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 井日志数据对于理解地下地质学至关重要.
• 分析井日志的传统方法可能耗时且范围有限.
• 深度学习的进步为自动化地表表表征提供了新的可能性.

研究的目的:

• 开发一个自我监督的深度学习模型,使用井日志数据准确地识别地质形成.
• 适应卷积视觉变压器 (CVT) 架构用于1D井日志分析.
• 证明模型在不同地质盆地中的有效性和通用性.

主要方法:

• 采用了对卷积视觉变压器 (CVT) 模型的一维适应.
• 基础模型使用来自不同盆地的未标记的多变量传感器数据进行了自主监督学习的预训练.
• 该模型为威利斯顿盆地地质形成识别进行了微调,并在格罗宁根天然气田进行了验证.

主要成果:

• 该车型在威利斯顿盆地的六个关键阵列中获得了0.94的F1平均得分.
• 与基线模型 (U-Net,XGBoost,SVM,KNN) 相比,证明了更快的融合,增加了对缺少输入数据的稳定性,并提高了准确性.
• 成功地将其推广到不同的地质盆地,证实了其广泛的适用性.

结论:

• 拟议的自主监督深度学习方法为使用井日志数据进行地下表征提供了强大而准确的解决方案.
• 这种人工智能框架支持可扩展和可转移的解决方案,用于碳化合物勘探,碳储存,地热和地下水库的表征.
• 这些发现有助于推进人工智能在能源转型和资源管理中的应用.