Στα πεδία της γεωλογικής μηχανικής και της εξερεύνησης του πετρελαίου, η ακριβής πρόβλεψη του πορώδους και της διαπερατότητας των πετρωμάτων είναι εξαιρετικά κρίσιμη. Επί του παρόντος, η μηχανική μάθηση έχει επιδείξει μεγάλη δύναμη και παρείχε νέες λύσεις σε αυτό το δύσκολο πρόβλημα. Η έρευνα στο άρθρο "Πρόβλεψη του πορώδους και της μεταβολής της διαπερατότητας που βασίζεται σε αλγόριθμους μηχανικής μάθησης" στοχεύει να διερευνήσει την εφαρμογή διαφορετικών αλγορίθμων μάθησης για την πρόβλεψη των ιδιοτήτων των βράχων.
Η έρευνα διεξήγαγε δοκιμές και αναλύσεις σε περισσότερα από 100 δείγματα πυρήνα που φέρουν άλατα για πάνω από 10 χαρακτηριστικά (όπως συγκέντρωση άλατος, αρχικό πορώδες και διαπερατότητα, βάθος δείγματος κλπ.) Και καθιέρωσε ένα μοντέλο πρόβλεψης συνδυάζοντας τα συμβατικά δεδομένα ανάλυσης πυρήνα και άλλες γεωλογικές παραμέτρους. Το πείραμα χρησιμοποίησε μια ποικιλία αλγορίθμων μηχανών - μάθησης, συμπεριλαμβανομένης της γραμμικής παλινδρόμησης (με τακτοποίηση L1 και L2), δέντρα αποφάσεων, τυχαία δάση, ενίσχυση κλίσης, νευρωνικά δίκτυα και μηχανήματα φορέα υποστήριξης (SVM) κ.λπ.
Μεταξύ αυτών, το νευρωνικό δίκτυο διπλής απόδοσης, το Neaural Network εκτέλεσε το καλύτερο όταν προβλέποντας τις τρεις ροκ ιδιότητες του πορώδους, της διαπερατότητας και της συγκέντρωσης του αλατιού, αποδεικνύοντας πλήρως τις δυνατότητες ισχυρών και μαθησιακών δυνατοτήτων. Τα αποτελέσματα της έρευνας δείχνουν ότι υπάρχει σημαντική συσχέτιση μεταξύ των αλλαγών στο πορώδες και τη διαπερατότητα και τη συγκέντρωση αλατιού. Η γραμμική παλινδρόμηση, τα μηχανήματα διανυσμάτων υποστήριξης και τα νευρωνικά δίκτυα αποδίδουν καλά στην πρόβλεψη του πορώδους και της διαπερατότητας, με τιμές R² υψηλότερες από 0 8, υποδεικνύοντας ότι αυτά τα μοντέλα μπορούν να καταγράψουν με ακρίβεια τις μεταβαλλόμενες τάσεις του πορώδους και της διαπερατότητας. Ωστόσο, το μοντέλο πρόβλεψης για τη συγκέντρωση άλατος είναι σχετικά αδύναμο, με τιμή R² κοντά στο 0 66, αλλά εξακολουθεί να έχει μια ορισμένη προγνωστική ικανότητα.
Αυτό το ερευνητικό συμπέρασμα υπογραμμίζει τη σημασία της μηχανικής μάθησης στη γεωλογική μηχανική. Μειώνει την εξάρτηση από τις δαπανηρές εργαστηριακές αναλύσεις και παρέχει έναν αποτελεσματικό τρόπο πρόβλεψης των ιδιοτήτων του βράχου όταν υπάρχει έλλειψη άφθονων πειραματικών δεδομένων. Στο μέλλον, το πεδίο εφαρμογής του συνόλου δεδομένων μπορεί να επεκταθεί περαιτέρω για να επαληθεύσει την ακρίβεια των μεθόδων εκμάθησης μηχανών υπό διαφορετικές γεωλογικές συνθήκες.
Ταυτόχρονα, άλλοι αλγόριθμοι μηχανής - μάθησης και τεχνικές προ -επεξεργασίας δεδομένων μπορούν να διερευνηθούν συνεχώς για να βελτιωθεί η απόδοση του μοντέλου πρόβλεψης. Με τη συνεχή ανάπτυξη της τεχνολογίας, η μηχανική μάθηση θα διαδραματίσει όλο και πιο σημαντικό ρόλο στη γεωλογική μηχανική και την εξερεύνηση του πετρελαίου, βοηθώντας μας να κατανοήσουμε καλύτερα και να αναπτύξουμε υπόγειους πόρους, καθιστώντας την πρόβλεψη του πορώδους και της διαπερατότητας να μην είναι πλέον δύσκολη και να εισάγει νέα ζωτικότητα στην ανάπτυξη της βιομηχανίας.