耿智等-EG：人工智能地震信息挖掘——物理機制約束下的大數據智能學習技術
人工智能地質大數據分析是典型的新興交叉學科，核心是在物理規律約束下，通過建立數學模型，用數據科學的方法分析和挖掘有價值的核心信息和關鍵證據，以解決地質學的認知、發現、決策和評價等理論以及地質資源探測中的實際問題。
深地非常規資源鑽探地質風險的鑽前預測是長期難題，其中鑽井井壁失穩是鑽探地質與工程風險的核心關注點之一。實現鑽前合理預測並管控、規避鑽井井壁失穩地質風險，從被動應對向主動預防（例如，優化開發部署方案）轉變，對複雜非常規資源的成功且低成本開發具有重要現實與科學意義。由於非常規資源地質因素極其複雜，常規基於合理假設的模型方法難以描述複雜地質風險。然而，常規的基於純數據驅動的機器學習方法，在科學問題推理中存在對訓練數據擬合較好，但對未知數據解釋能力欠佳，缺乏物理規律一致性的問題（圖1）。
圖1物理機制約束(Physics-guided)下的深度學習求解圖示；常規方法(Typical way)僅關注解空間中的最小值點，而忽略具有物理一致性的解
中國科學院地質與地球物理研究所博士後耿智與合作導師王彥飛研究員提出了一種引入地質力學信息約束的基於地震數據預測鑽探井壁失穩地質風險的深度學習方法。從第一性原理思考，假設地層巖石是近似彈性且無顯著異常孔隙流體壓力，則可將井周巖石力學方程簡化，推導建立以孔隙度和井深為變量的物理約束正則項，加入訓練深度學習模型的目標函數中；實現基於物理機制約束深度學習模型解空間，提升對未知數據推理解釋能力的目標（圖2）。該方法將已鑽井的測井數據（中子孔隙度、垂深）作為上述物理約束正則項的輸入，結合已鑽井井周的勘探地震數據隱特徵與井壁坍塌位置數據，通過深度學習技術，可顯著提升在未鑽井地區僅利用勘探地震數據預測井壁失穩地質風險的預測準確性。
圖2本研究方法技術路線。（a）勘探地震數據(屬性)提取；（b-c）地震數據隱特徵高效提取；（d）物理機制約束下的深度學習訓練；（e）未鑽井區域預測鑽探地質風險
實例分析表明，與常規僅基於標籤數據的機器學習方法相比，該方法的預測準確性相對提升約11.5%。本研究方法無需人工額外加註（解釋）標籤，可直接利用已有的海量測量數據（勘探地震、測井），將已鑽井數據與地質力學機制作為先驗約束信息，顯著提升鑽前地質風險預測能力，合理優化鑽探布井方案等，大幅降低深地非常規資源勘探鑽探風險與成本（圖3）。
圖3 新井位井壁失穩地質風險預測結果。（a）測井井徑測量結果(陰影區為明顯坍塌地層)；（b）常規純數據驅動的預測結果；（c）加入合理物理機制約束的預測結果；（d）加入過多先驗約束的預測結果。圖中：紫色實線圓圈-誤報；紫色虛線圓圈-漏報；問號-不確定的爭議結果。b-d中的右列圖：預測結果不確定性分析，紅色部分越居中性能越差
研究成果發表於Engineering Geology. (Geng Z, Wang Y F*.Physics-guided deep learning for predicting geological drilling risk ofwellbore instability using seismic attributes data. Engineering Geology, 2020,279: 105857. DOI: 10.1016/j.enggeo.2020.105857)。該成果受國家重點研發計劃項目(2018YFC0603500 & 2018YFC1504203)、中國科學院從0到1原始創新項目(ZDBS-LY-DQC003)和中科院地質與地球物理研究所重點部署項目(IGGCAS-201903)資助。
校對：張騰飛
轉載請超鏈接註明：頭條資訊 » Engineering Geology：人工智能地震信息挖掘——物理機制約束下的大數據智能學習技術
免責聲明
：非本網註明原創的信息，皆為程序自動獲取互聯網，目的在於傳遞更多信息，並不代表本網贊同其觀點和對其真實性負責；如此頁面有侵犯到您的權益，請給站長發送郵件，並提供相關證明(版權證明、身份證正反面、侵權鏈接)，站長將在收到郵件24小時內刪除。