Credit:pix abay/CC0 Public Domain德克萨斯A& M大学的研究人员设计了一种基于增强的算法，该算法可以自动预测地下环境的特性，从而促进石油和天然气储量的准确预测。在地壳内部，岩层储存着丰富的地下水、石油和天然气。现在，利用机器学习，德克萨斯A& M大学的研究人员开发了一种算法，可以自动确定地球地下环境的关键特征。他们说这项研究可能有助于准确预测我们的自然保护区。
具体来说，研究者的算法是基于强化或奖励学习的原理设计的。在这里，计算机算法基于对钻孔预期压力和流量的正确预测所获得的回报，收敛于地下环境的正确描述。
“通常在我们脚下一英里以下的地下系统是完全不透明的。在那个深度，我们什么也看不见，只能用仪器来测量量，比如压力和流速，”哈罗德·万斯石油工程系和地质与地球物理系的副教授西达尔特·米斯拉说。“虽然我目前的研究只是第一步，但我的目标是拥有一种完全自动化的方法，利用这些信息来准确描述地下的特性。”
该算法在12月的《应用能源》杂志上有所描述。
模拟地下环境的地质可以极大地促进石油和天然气储量的预测、地下水系统的预测和地震灾害的预测。根据预期的应用，钻孔可以作为石油、天然气和水的出口，也可以作为需要截留在地下的过量大气二氧化碳的入口。
沿着钻孔的长度，钻井操作员可以通过放置传感器来确定液体或气体的压力和流速。传统上，这些传感器测量值被插入到复杂的数学公式或储层模型中，这些公式或模型预测地下的属性，例如岩石的孔隙度和渗透率。
但是储层模型在数学上很麻烦，需要大量的人工干预，有时甚至会给出一幅有缺陷的地下地质图。米斯拉说，人们一直在努力构建不受人类影响但精确的算法。
为了他们的研究，Misra和他的团队选择了一种基于强化学习概念的机器学习算法。简而言之，软件学会根据其计算环境的反馈做出一系列决定。
“想象一只鸟在笼子里。这种鸟会与笼子的边界互动，在那里它可以坐下或摇摆，或者有食物和水的地方。它不断从它的环境中获得反馈，这有助于它决定在给定的时间它更愿意呆在笼子里的哪个地方，”米斯拉说。“基于强化学习的算法也是基于类似的想法。他们也与一个环境互动，但这是一个计算环境，为给定的问题做出决定或解决方案。”
因此，这些算法因有利的预测而得到奖励，因不利的预测而受到惩罚。随着时间的推移，基于强化的算法通过最大化他们的应计回报来达到正确的解决方案。
基于强化的算法的另一个技术优势是，它们对数据模式不做任何预设。例如，Misra的算法不假设在某个时间和深度测量的压力与过去同一深度的压力有关。这一特性使得他的算法不那么偏向，从而减少了预测地下环境出错的机会。
当启动时，Misra的算法从随机猜测构成地下的岩石的孔隙度和渗透率开始。基于这些值，该算法计算预期钻孔的流量和压力。如果这些值与从现场测量获得的实际值(也称为历史数据)不匹配，则算法将受到处罚。因此，它被迫修正其对孔隙度和渗透率的下一个猜测。然而，如果它的猜测有点正确，算法会得到奖励，并沿着这个方向进行进一步的猜测。
研究人员发现，在强化学习的10次迭代中，该算法能够正确且非常快速地预测简单地下场景的属性。
Misra指出，尽管他们研究中模拟的地下情况过于简单，但他们的工作仍然是概念的证明，即强化算法可以成功地用于自动储层属性预测，也称为自动历史匹配。
“地下系统可以有10或20个钻孔，分布在2至5英里的半径范围内。如果我们清楚地了解地下，我们就可以提前计划和预测很多事情，例如，如果我们深入一点，我们将能够预测地下环境或该深度的气体流速，”Misra说。“在这项研究中，我们将历史匹配转化为一个顺序决策问题，这有可能减少工程师的工作，减轻人为偏见，并消除对大量带标签训练数据的需求。"
他说，未来的工作将集中在模拟更复杂的水库和提高算法的计算效率。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
