深度學習模型可能改善油氣開採
Skolkovo 科學與技術學院引入 SSL 透過 Barlow Twins 方法用於油氣資料
Skolkovo 科學與技術學院的研究團隊引入了一個模型，以便促進油井開發的規劃階段。這將有助於獲取有關井的重要資料—例如，該模型可以將潛在的井與附近已經執行的井進行比較，以預測其產油效能並改善鑽井。該研究發表於 IEEE Geoscience and Remote Sensing Letters。
油氣井的開發可以分為三個階段—油田的發現、評估和開發。評估涵蓋了例如油藏的體積和分布等方面。該階段涉及鑽探勘探井並探測這些井以記錄一些指標：層的放射性、地下水流動性等等。之後，這些訊息有助於作出相關的開井決策。
「當前情況是，油田評估得到的是一大堆的碎片化資料，而沒有人知道如何使用它們。我們的研究旨在建立一個基於這些資料的模型，將生成一個數學表示—完全描述井的向量，」Alexander Marusov，首席作者和 Skolkovo 的研究工程師這樣評論道。
模型的應用
這個模型返回的向量以壓縮的形式包含了有關井的有用訊息。除了預測井的性質之外，該模型還將幫助解決錯誤方向的鑽探問題。在更深層進行鑽探時，將鑽探約束在同一型別的巖石中非常重要。否則，你必須重新鑽探，改變方向，而這是非常昂貴的。
「我們的模型將有助於確保巖石型別並調整鑽井。我們模型中巖石型別的預測準確率為 82%，而此前的最佳結果為 59%。我們的模型將促進油井開發中的決策制定，」Marusov 補充道。
自監督學習方法
該模型透過自監督學習進行訓練。這與傳統的機器學習方法有所不同，傳統方法需要標記的資料，而自監督學習則不需要。例如，探頭可以在勘探井中記錄輻射或其他地球物理訊號。自監督學習利用這些原始資料，而不需要任何標記。
「自監督學習方法可以分為對比和非對比兩種。我們採用了後者，後者處理的是類似物件的對—例如，來自同一井的訊號區間。」研究人員進一步解釋道。
這項研究的結果為油氣行業帶來了深遠的影響。這種基於深度學習的模型為油井開發中的決策制定提供了有力的工具。透過合理運用這些模型，可以提高油田評估和設計流程的效率，減少開發風險。同時也對於節約開井成本、改善石油產量以及環境友好的油井開發具有重要意義。
