Nos campos da engenharia geológica e da exploração de petróleo, a previsão precisa da porosidade e permeabilidade das rochas é extremamente crucial. Atualmente, o aprendizado de máquina demonstrou grande energia e forneceu novas soluções para esse problema difícil. A pesquisa no artigo "Previsão de porosidade e alteração da permeabilidade com base em algoritmos de aprendizado de máquina" visa explorar a aplicabilidade de diferentes algoritmos de máquinas - aprendendo à previsão das propriedades do rock.
A pesquisa realizou testes e análises em mais de 100 amostras de núcleo de sal para mais de 10 características (como concentração de sal, porosidade e permeabilidade inicial, profundidade da amostra etc.) e estabeleceu um modelo de previsão combinando dados de análise de núcleo convencionais e outros parâmetros geológicos. O experimento utilizou uma variedade de algoritmos de aprendizado de máquina, incluindo regressão linear (com regularização de L1 e L2), árvores de decisão, florestas aleatórias, reforço de gradiente, redes neurais e máquinas vetoriais de suporte (SVM), etc.
Entre eles, a rede neural de camada dupla - oculta - teve o melhor desempenho ao prever as três propriedades rochosas de porosidade, permeabilidade e concentração de sal, demonstrando totalmente suas fortes capacidades de ajuste e aprendizado. Os resultados da pesquisa mostram que há uma correlação significativa entre as mudanças na porosidade e permeabilidade e concentração de sal. A regressão linear, as máquinas vetoriais de suporte e as redes neurais têm um bom desempenho na previsão de porosidade e permeabilidade, com valores de R² maiores que 0. 8, indicando que esses modelos podem capturar com relativa precisão as tendências de mudança de porosidade e permeabilidade. No entanto, o modelo de previsão para a concentração de sal é relativamente fraco, com um valor de R² próximo a 0. 66, mas ainda tem uma certa capacidade preditiva.
Esta conclusão de pesquisa destaca a importância do aprendizado de máquina na engenharia geológica. Reduz a dependência de análises de laboratório caras e fornece uma maneira eficaz de prever as propriedades do rock quando há uma falta de dados experimentais abundantes. No futuro, o escopo do conjunto de dados pode ser expandido para verificar ainda mais a precisão dos métodos de aprendizado de máquina em diferentes condições geológicas.
Ao mesmo tempo, outros algoritmos de aprendizagem e técnicas de pré -processamento de aprendizado podem ser exploradas continuamente para melhorar o desempenho do modelo de previsão. Com o desenvolvimento contínuo da tecnologia, o aprendizado de máquina desempenhará um papel cada vez mais importante na engenharia geológica e na exploração de petróleo, ajudando -nos a entender melhor e desenvolver recursos subterrâneos, tornando a previsão de porosidade e permeabilidade não mais difícil e injetando a nova vitalidade no desenvolvimento da indústria.