没有合适的资源?快使用搜索试试~ 我知道了~
地球科学中的人工智能2(2021)1在岩石物理学中使用人工智能的好处和危险史蒂夫·卡迪英国苏格兰阿伯丁石油创新公司石油物理学家A R T I C L E I N F O保留字:人工智能模糊逻辑岩石物理A B S T R A C T人工智能(Arti ficial Intelligence,简称AI)是一种数据分析方法,它从数据中学习,识别模式,并在最少的人为干预下进行预测。AI为岩石物理评价带来了许多好处通过案例分析,本文介绍了几个成功的应用。AI的未来还有更大的潜力。然而,如果使用不慎,可能会产生严重的后果。复杂的中东碳酸盐岩油田需要一个定制的泥质水饱和度方程。AI被用来“进化”一个理想的方程,以及油田特定的饱和度和胶结指数。一个UKCS气田出现了“石油问题”。在这里,人工智能被用来解锁NMR T1和T2谱中隐藏的流体信息,并成功地实时区分油气层北海油田有30口井,只有4口井有剪切速度储层建模和井筒稳定性预测需要Vs。AI用于预测所有30口井中的Vs由于采用了高垂直分辨率数据,Vs预测甚至比记录的测井更好针对取每口井岩心资料不经济的问题,采用人工智能技术在多维数据空间中发现测井、岩心、岩相和渗透率之间的关系因此,油田中的所有油井均使用这些数据进行填充,以建立稳健的储层模型。此外,人工智能预测数据的正确升级与许多传统技术不同。人工智能在自动测井质量控制(LQC)和修复电测井坏孔和缺失数据段时给出了令人印象深刻的结果AI没有参数可供选择,也没有交会图可供绘制。几乎没有用户干预,人工智能通过忽略噪音和离群值来避免“垃圾进,垃圾出”(GIGO)的问题。人工智能程序可以处理无限数量的电子日志、岩心和气相色谱数据;如果其中一些输入丢失,也目前正在开发的人工智能程序包括那些机器代码使用与生命DNA代码相似的规则进化的程序这些人工智能程序构成的危险远远超出了本文所述的石油工业“风险评估”对所有人工智能程序都介绍艾伦·图灵(AlanTuring)首先考虑的问题是:“机器能思考吗?”他在1950年发表的开创性论文《计算机器与智能》中写道。人工智能是让计算机模仿人类智能。人工智能是由机器展示的智能,与人类展示的自然智能相反 如果你离开家的时候,你注意到下雨了,你可以决定带一把伞。 这是天生的智慧. 如果你的智能手机“知道”你要离开,而且正在下雨,它可能会建议你带把伞。这是人工智能的一个简单例子人工智能的发展始于1956年达特茅斯学院的一个研讨会,在那里创造了“人工智能”一词此后,Minsky(1961)、Newell(1963)、Winston(1976)、Davis et al. (2002年)和其他许多人。在过去的十年中,岩石物理学界已经开始大力应用数据驱动技术来应对岩石物理评估的挑战,包括人工智能的应用这些属于机器学习技术和应用的范畴,包括碳酸盐岩表征(Bigoni 2019)、测井深度匹配( Le 2019)、增强型地层评价(Posenato-Garcia2020)和电阻率反演(Li 2019)。我将讨论三代人工智能,以及它们如何应用于岩石物理学和其他领域。电子邮件地址:steve. btinternet.com。https://doi.org/10.1016/j.aiig.2021.04.001接收日期:2021年2月8日;接收日期:2021年3月31日;接受日期:2021年4月26日2021年5月2日网上发售2666-5441/©2021作者。出版社:Elsevier B.V.代表科爱通信有限公司公司这是CC BY-NC-ND下的开放获取文章许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志主页:www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciencesS. Cuddy地球科学中的人工智能2(2021)12þþAI要求人工智能系统只需要两件事-数据和“健身功能”。此外,人工智能软件应该在最少的人为干预下运行没有参数可供选择,也没有交会图可供绘制。数据所有AI代都可以访问n维数据,其中n是日志的数量或数据类型,通常根据深度或时间记录这些措施可包括:电测井-GR、Rhob、井径、钻孔等。岩心数据-孔隙度、岩心Sw、SCAL等。深度测量和TVDss。钻井数据-机械钻速、钻井深度等.NMR-T1 T2光谱分布&适应度函数这是AI试图解决的目标或标准它被称为适应度函数,因为它类似于如果AI在实现其目标方面取得进展,则适应度函数确保算法存活并传播。 如果它没有取得进展,算法就会被忽略并消失。软件本文讨论的案例研究中使用的软件包括C、MATLAB®、FORTRAN和Geolog®loglan代码。人工智能使用的数学技术包括神经网络,遗传算法和模糊逻辑,如本文以及Cuddy(2013)和Brown(2000)所述。第一代AI这些是由计算机算法组成的“E x pert”或“基于规则”的系统。一种算法,是一组明确的指令,主要表现为 这些人工智能算法是由相关领域的咨询专家开发的。例如,第一台可以下国际象棋的计算机试图编写复制国际象棋大师使用的逻辑的算法。艾伦·图灵是第一个发布能够下完整一盘国际象棋的程序的人,1951年,他的同事迪特里希·普林茨(DietrichPrinz)编写了第一个真正的自动化国际象棋程序。启发式编程和专家系统在解决现实问题中的第一个主要应用是DENDRAL项目(Lindsay1993)。在岩石物理学领域,E X pert Systems使测井分析师能够进行复杂的分析,而在过去,这些分析只能由人类专家来完成。由"E x pert“确定的”规则“的示例是:如果GR> 90 GAPI且φ<3 P.U.然后矩阵¼页岩1997年,IBM当时,这场胜利被视为人工智能正在通过击败人类最伟大的智力冠军之一而赶上人类智力的标志然而,许多评论家淡化了人工智能的重要性,称卡斯帕罗夫只是被蛮力击败他们说这就像把农民和拖拉机相比一样拖拉机可能更强大,但缺乏农民的第二代AI第二代人工智能,通常被称为机器学习,涉及让程序访问数据。而不是人工智能被赋予由专家开发的规则,人工智能被期望自己发现这些规则。它通过使用图1所示的迭代循环来实现。1.一、计算机随机改变代码中的变量,并检查它是否能更好地解决问题,正如“健身功能”所定义的那样。大多数这些变化都会失败,并被忽略,但由于计算机能够每秒进行数千次迭代,它会偶然地逐步改进自己并在本文中,讨论了五个案例研究,其中第二代人工智能解决了岩石物理问题:- 泥质水饱和度方程的演化- NMR T1 T2谱分析&- 剪切速度- 岩相和渗透率预测- 电测录井的质量控制与修复继续国际象棋的比较,在2017年,一个名为AlphaZero的人工智能程序(Zhang 2020),使用神经网络和一组搜索超参数的规则 在24小时的训练中,这个程序达到了超人的水平,令人信服地击败了所有第一代人工智能国际象棋程序。在国际象棋比赛中,如果玩家隐藏了对国际象棋计算机的访问,那么人类作弊可能是一个严重的问题然而,随着国际象棋同伴通过对大量过去比赛的出色记忆来展示他们的技能,检测作弊的一种方法是寻找“洞察力和创造性的技巧”。案例研究1.泥质水饱和度方程含水饱和度与孔隙度一起用于确定储层中最初存在的碳氢化合物,并选择最佳生产方案。由于测量地层电阻率的困难和将电阻率为含水饱和度的泥质水饱和度方程中固有的误差,从电阻率测井中推导含水饱和度存在不准确性我们使用第二代人工智能,通过校准岩心含水饱和度测量值,为特定油田该方法导出了泥质水饱和度方程的形式,并给出了胶结指数m和饱和度指数n等SCAL参数的独立估计。在存在导电页岩的情况下,电阻率测量将被抑制。泥质砂岩方程,如印度尼西亚方程,包括一个与泥质有关的组成部分,以考虑到这一点。人工智能使用岩心校准适应度函数,岩心含水饱和度(Sw)来自高质量Dean和Stark测量。原始岩芯样品取自岩芯中心钻井泥浆中掺有杂质以消除任何污染。适应度函数被定义为“确定一个函数f(φ,Sw,Vsh),该函数在给定φ,Sw,Vsh和每个深度的情况下重建Rt”。下一步Fig. 1. 第二代人工智能,机器学习。S. Cuddy地球科学中的人工智能2(2021)13.是提供一种确定给定f(φ,Sw,Vsh)作为Rt预测值的准确性的方法。我们采用的方法是对给定钻孔的所有深度水平的预测绝对误差求和数学上,该问题可以表述为:最小化:X。.1-f;Sw;Vsh。(一)菲岛RTI我我我当量(1)使这个和最小化。这样做的标准方法可能是使用最小二乘而不是残差的绝对值。正如本文后面所解释的,我们采用这种方法是因为钻孔数据通常是有噪声的,并且包括许多“异常值”。这些只能通过大量的手动编辑数据和重新检查测量来删除。 通过使用残差的绝对值,可以减少噪声和异常值的影响,并产生更合适的预测函数。AI的构建如下。 在解空间中随机选取一个初始种群。每个个体都有随机选择的常数m、n、b和c。每个因子的适合性标准(一).现有的最佳算法最小化方程。(1)从随机生成的f开始,并通过一次改变一个系数来使用局部搜索 突变范围最初设置得很高,以确保解空间的完整搜索。经过几代之后,通过线性排序选择一群个体用于突变和克隆。交配是通过系数合并来实现的。一些最好的个体被克隆以添加更多的个体,其中解决方案是最有希望的。经过几代之后,突变系数的百分比变化逐渐减小。当评估中的百分比改进达到预定义的下限或已经达到最大迭代次数时,算法停止在遗传学术语中,每条染色体都是长度为4的载体等位基因是代表常数m、n、b和c的重复点值。 初始种群是通过创建染色体来生成的,其中常数为随机的浮点数。通过乘以从0.8-1.2范围内随机选取的值来修改等位基因。这个范围的值随着世代数的增加而减小这提供了一种方法,该方法允许搜索在算法结束时变得更加局部,因为出现了更好的解决方案。这种人工智能技术被应用于一个复杂的中东碳酸盐油田,需要一个定制的泥质水饱和度方程。AI被用来 一个典型的井如图所示。 二、人工智能得出了以下公式:图二. 利用人工智能推导泥质砂岩方程。(2)提出了一种利用电阻率测井资料计算泥质碳酸盐岩含水饱和度的方法利用岩心含水饱和度,避免了在实验室条件下求取储层SCAL参数的经验问题。 这种人工智能技术取决于岩心含水饱和度的质量,通过确保取芯目标之一是提供优质岩心饱和度来减轻这种质量。案例研究2核磁共振模式识别1 φmSwncRt¼RW bVsh(二)本案例研究描述了使用人工智能优化生产,复杂的天然气藏早已被认识,但没有其中:SW 1/4含水饱和度孔隙度Rt,Rw<$vityVsh<$vashvolumeb,c<$vasconstantsAI的特殊岩心分析给出了胶结指数(m):2.214和饱和指数(n)为1.751。 结果示于图 二、岩心含水饱和度如轨迹4中的红色圆圈所示,预测含水饱和度使用方程(1)计算(2)显示为连续的蓝色曲线。由于这些井被用于校准含水饱和度方程,因此平均预测含水饱和度与平均岩心推导和预测含水饱和度一致然而,在整个水饱和度值范围内,岩心和预测饱和度之间有很好的匹配。这种匹配也与泥质含量无关。这些观察表明,Eq.由于各种技术挑战,包括沉积物的薄层性质以及流动和不流动的粘性残余油的存在, 石油是一种高粘性液体,如果开采,由于储层深度较浅和相关的低压,可能会堵塞生产油管。 为了成功地生产干气,必须识别油气层,以便能够对气层进行射孔,并排除油层。在开发钻井活动期间,通过使用地层评价方案对储层进行了评价,该方案旨在确定薄层储层中是否存在石油。结合岩心数据和高分辨率电测井(包括MSFL),核磁共振工具(NMR)用于识别和避免具有较高含油饱和度的射孔层。运行NMR工具的主要目的是帮助识别高残余油饱和度的层段。然后在井场通过选择性地使用MDT-LFA(模块化地层动态测试仪-活流体分析仪)确认这些间隔,以确认泥浆的成分并检查流动性。钻孔气相色谱数据也被用来证实这些解释。S. Cuddy地球科学中的人工智能2(2021)14核磁共振的结果进行了校准,以高质量的迪安和斯塔克石油,天然气和水饱和度和高分辨率电缆测井从取芯井。 应用于NMR曲线的AI技术能够预测未取芯部分中的油液类型,并预测整个储层部分的油流动性。常规地,Dean和Stark水饱和度测量在已经使用油基钻井液的储层区域中进行。使用水基泥浆系统对开发井取芯,执行Dean和Stark的目的是根据存在的残余油的重量质量平衡来推断残余油饱和度(Sor)在可能的情况下,每英尺进行一次测量。传统的核磁共振解释技术,如渗透率估计,使用非常少的丰富的信息包含在T2分布。Coates方法(1991)比较了T2分布下的两个区域,即自由流体 指 数 和 束 缚 体 积 不 可 约 , 这 两 个 区 域 由 任 意 截 止 点 分 隔 , 而Schlumberger Dowell Research(SDR)方法仅使用单一信息,即对数平均T2。AI不是使用T2分布中的单个值,例如面积比或对数平均值,而是分析T2分布的整个形状,试图解锁任何可能与孔隙流体类型相关的值。这项技术类似于AI面部识别技术,能够从数字图像中识别人。的结果的这研究是示在图3 .第三章。T1、T2(短)、T2(长)光谱在图1的轨道5、6和7中示出。图3分别。这些谱的AI分析给出了油气层段的良好预测,分别如轨道8和9所示这些结果得到了MDT-LFA和轨道4所示的钻孔气体色谱数据的证实。然后利用该分析设计出避开含油砂岩的射孔方案因此,使用人工智能,可以快速做出选择射孔的操作决策的间隔所有开发井的射孔策略似乎都取得了成功,在试井期间没有产生石油位于油砂下面的气砂也成功地穿孔。Cuddy(2004)描述了该技术的更多信息。案例研究3.基于人工智能的剪切速度对于增强地震评价以及在钻井时理解和控制井眼稳定性是有用的。人工智能应用于北海油田,包括30口井,其中只有5个记录钻孔剪切速度。本研究的目的是用剪切速度数据填充所有30口井,以改进储层建模并帮助未来的钻井。该油田的可用测井数据包括常规电测井、钻井和气相色谱数据。伽马、压缩和剪切电性测井曲线如图所示。四、在13,200英尺以上,剪切日志(显示在蓝色轨道3中)丢失因此,该井的另一个目的是提供该井中间隙的剪切测井曲线认可机构认为,测井值与剪切速度之间存在连续的函数关系,并尝试根据五口具有良好剪切速度的油井的数据或根据这些数据进行校准,从而得出这种关系 AI提供了方程的函数形式以及关系的常数参数。 使用人工智能的分析包括两个部分,将Dts(Vs)与电气日志相关的方程的演变以及使用该方程预测整个领域的Dts。统计分析表明,剪切速度是图三. 使用AI的NMR光谱分析。见图4。 使用AI预测剪切速度。S. Cuddy地球科学中的人工智能2(2021)15●●●●● ●●●● ●●● ●主要与纵波时差Dtc、总孔隙度Phit和矿物学比值Mlith有关。AI的目的是根据经验构建函数f(Dtc,Phit,Mlith),该函数在给定每个深度的φ、Phit和Mlith的情况下预测每个深度i的剪切速度。因此,我们正在寻找一个适当的函数的形式:Dts¼fDtc;Phit;Mlith¼。aDtcb●1.cPhitd●2μeMlithg●3h(3)其中1、2、3等表示代数运算符加法和乘法; a、c、e和h是未知常数; b、d和g是未知常数指数。该应用的AI适应度函数为最小化:XjDtsi-fDtci;Phiti;Mlithij(4)可能是比剪切速度工具实际测量的值更合适的值因此,预测的Dts似乎修复了局部不良的Dts读数,因此是对钻孔采集的电测井的改进案例研究4.渗透率AI渗透率的知识在确定完井策略和由此产生的生产率方面是重要的。渗透率预测的问题源于这样一个事实,即渗透率更多地与孔喉的孔径有关,而不是与孔隙大小有关,测井工具发现很难测量孔隙大小。由测井曲线确定渗透率由于比例问题而进一步复杂化,测井曲线具有与2英寸的岩心塞相比典型地2英尺的垂直分辨率AI已在多个领域使用,以获得比传统技术更好的渗透率估计渗透率预测的实例研究如图所示。5个大的fi北海油田,15口取心井。我们采用的方法是对给定钻孔的所有深度水平的预测绝对误差求和当量(4)使该和最小化。传统的方法是使用最小二乘法,而不是残差的绝对值。我们采取这种方法的原因是钻孔数据是有噪声的,并且包括许多“离群值”。’ 利用残差的绝对值,可以减小噪声和异常值的影响,得到更合适的预报函数。遗传算法的构造如下。在解空间中随机选取一个初始的个体群体每个个体具有随机选择的常数a、b、c、d、e、g、h和运算符1、2、3。当量(4)确定每个因子的适合性标准。最小化该方程的现有最佳算法从随机生成的f开始,并通过一次改变一个系数或在加法和乘法之间重复运算符来使用局部搜索。 变异范围最初设置得很高,以便个体搜索所有的解空间。在多次生成之后,通过线性排序选择个体池用于突变和克隆。交配是通过系数合并来实现的一些最好的个体被克隆,以在最有希望的解决方案中添加更多的个体经过几代之后,数学运算符被固定,突变系数的百分比变化逐渐减小。当评估中的百分比改进达到预定义的下限或达到最大迭代次数每条染色体都是一个长度为10的向量三个等位基因是表示数学运算符1、2、3的二进制整数值。其余的等位基因是代表系数a、b、c、d、e、g、h的标记点值初始种群通过创建染色体来生成,染色体具有随机二进制数1、2、3和随机点数a、b、c、d、e、g、h。如果等位基因代表操作符,则其值为二进制,并且将被切换。如果等位基因代表一个实变量,它将通过乘以随机选择的值来修改 人工智能进化出一个预测Dts的方程。为了提高推导出的方程的预测能力,分别为储层中的每个区域确定单独的系数a、b、c、d、e、g、h。记录的和预测的Dts之间的比较,如图4的轨道4所示。 四是非常好。令人惊讶的是,对于薄层间隔,在测量和预测速度之间存在不匹配的情况下,认为测量的测井值是不正确的。 这是因为剪切速度测量工具的垂直分辨率妨碍了在薄层中的正确测量。然而,人工智能可以访问所有测量结果,包括垂直分辨率优于剪切速度工具的测量结果。因此,在技术预测适当的剪切速度之前,具有良好垂直分辨率的测量选择相类型,并且预测的薄层中的剪切速度是伽马(GR)和微分井径测井曲线显示在1. 标准孔隙度测井;密度(RHOB)、中子孔隙度(NPHI)和声波纵波速度(DT)显示在磁道3中。最右边的轨道7显示了这口井的计算机处理解释,其中页岩体积以绿色显示,砂岩以黄色显示,石油以红色显示,水的体积以深蓝色显示,煤层以黑色显示,方解石细脉以青色显示。该应用程序的AI适应度函数为:“确定一个关系,以便预测的渗透率尽可能接近堆芯导出的渗透率”。 人工智能首先确定岩相类型,如轨迹6所示,然后根据该结果预测渗透率,如轨迹4中的连续黑线所示。这与同样在轨迹4中以绿点表示的岩心导磁率预测置信度显示在轨道5中,最高置信度显示为红色,最低置信度显示为蓝色。为了进行比较,还使用常规最小二乘线性回归预测渗透率。这些预测进行了比较,图五. 使用AI预测渗透率。S. Cuddy地球科学中的人工智能2(2021)16频率分布直方图(Fig. (六)。左侧直方图显示了该油田的岩心渗透率分布。颜色代表15个孔中的每一个。请注意,渗透率分布是双峰的。AI预测显示为中心直方图,并显示类似的双峰分布。最小二乘线性回归,如右图所示,显示了对平均渗透率的良好预测,但在上端和下端的预测较差在储层模型中,渗透率上限和下限预测很重要,因为它们分别代表了渗流的障碍和生产的通道。而最小二乘回归的平均值,AI保存的岩心渗透率数据的动态范围。不正确的渗透率分布不会在三维储层模型中正确放大(Cuddy 2013)。案例研究5.电测录井质量控制与维修钻孔电测井是在困难的环境中采集的,通常是在高温和高压下。 尽管大多数现代电动工具的设计都是为了补偿有限的井眼冲刷和粗糙度,但实际上每口井都含有质量差或不可接受的测井段。 除了不良测井记录外,由于地面设备的遥测问题或由于不利条件导致的工具故障,经常会出现测量完全失败的部分。近年来,随着随钻测井(LWD)的引入,这些问题有所增加石油工业因其在钻井过程中进行测量的传感器的发展而受到赞扬。 这些实时测量对行业来说是一个真正的好处,因为它们可以快速做出决策,但这些测量是在极其不利的环境中进行的,包括钻柱振动和高压钻井泥浆。 电缆和随钻测井测量还受到校准误差的影响,校准误差是由于人为错误或由于温度引起的电子工具漂移而发生的。因此,在进行岩石物理分析之前,必须进行测井质量控制(LQC)和电测井修复 即使LQC只是确认日志是好的,这也是一个非常有用的练习。电气计程仪的LQC和维修是以所有计程仪都是相关的为前提的熟练的岩石物理学家可以通过与其他曲线的视觉比较来验证一个电测井曲线上的异常 印刷或数字电测井的表示尺度是根据它们与孔隙度的关系来选择的。因此,测井曲线将在相同深度处向左或向右偏移。如果日志没有以这种方式响应,则会提示进一步的调查。例如,当工具与井眼壁分离时,密度测井可能测量到极低的密度,导致其读取泥浆密度,或者由于煤层的存在。在前一种情况下,日志需要修复,在后一种情况下,日志是正确的。岩石物理学家通常会检查储层同一深度的声波纵波速度、伽马射线读数和电阻率测井,以确认任何一种解释。人工智能以类似的方式用于揭示所有电气日志之间的关系,以便识别异常,并预测正确的日志。图图7显示了北海希瑟油田的一个例子,解释了这一过程。希瑟油田最近的填充井在布伦特油藏中遭受了LWD测井数据的不良 井地质导向有时需要在滑动模式下进行测井,这往往会降低测井质量,因为工具不旋转,不能“看到”井眼周围。部分储层(尤其是Ness组砂岩和页岩)出现了异常超压,这是由注入水引起的 为了控制压力,泥浆比重增加到非常高的密度。这反过来又导致压差卡钻和井眼冲刷。应用AI修复缺陷密度对数曲线,如图7所示。记录的密度日志,显示为绿色,读取泥浆密度约X80英尺。用红色表示的预测密度测井曲线是从所有其他测井曲线中推导出来的,就虽然LQC是自动的,但用预测的测井曲线代替差测井曲线的最后一步目前留给岩石物理学家。Kay(2002)讨论了在Heather油田使用该技术的更多信息。人工智能在岩石物理分析AI我们只是给它数据。用户干预很少,因为没有参数可供选择,也没有交叉图可供绘制。人工智能可以处理无限数量的电气日志、岩心和气相色谱数据;如果其中一些输入丢失,也它不是一个黑盒X,因为它提供了如何进行预测的见解最小二乘回归人工智能避免了“垃圾进,垃圾出”(GIGO)的问题,通过忽略噪音和离群值,如图所示。 八、最小二乘回归线是黑线,它通过最小化误差的平方和,使从数据点到回归线的红色垂直距离尽可能小,如图所示。八、这种倒退通常被称为见图7。用人工智能进行电气故障的质量控制和维修。见图6。 岩心和预测渗透率分布。S. Cuddy地球科学中的人工智能2(2021)17×见图8。 最小二乘回归问题。不公平地影响了结果。例如,距离直线10倍远的点具有100的权重。手动删除这些是非常困难的,如果尝试会引入人为偏见。异常值可以是有效数据,例如煤层、方解石细脉或裂缝。我们的AI程序保留所有数据点,并最小化线性距离(平均绝对误差)而不是平方距离。 我们发现任何随机噪声往往被有效数据淹没。重要的是要强调,人工智能只有在获得足够高质量数据的情况下才能解决问题。人工智能使用的数学技术包括神经网络、遗传算法、随机森林和模糊逻辑。本文中描述的岩石物理案例研究使用模糊逻辑,原因我将解释。什么是模糊逻辑?当计算机以机器驱动的二进制系统出现时,布尔逻辑被用作它们的自然推理机制传统逻辑迫使连续的世界用粗略的近似来描述;这样做,许多精细的细节就丢失了。经典逻辑是有用的,但我们留下了一种感觉,即缺少了一些东西真实的世界不是由二价的黑人和白人组成的;那里有一个灰色的刻度如果只接受这两种极端的可能性,那么介于两者之间的无限多的可能性就会丢失。真实并不是非黑即白的,而是灰色的.真理不仅从根本上存在于滑动的尺度上,而且由于测量和解释的不确定性,它也被认为是因此,与仅使用两个端点相比,灰度可以是更强大的工具一旦接受了灰度的现实,就需要一个系统来处理大量的问题。概率论有助于量化灰色或模糊。模糊逻辑断言任何解释都是可能的,但有些解释比其他解释更有可能(Cuddy 2013)。AI可以访问n维数据,其中n是日志的数量或数据类型,通常根据深度或时间记录AI用于模式识别、分类和回归的一种方法是k-最近邻算法(k-NN)。 图图9以绿色显示岩石物理数据点及其与3个红色岩相的关联,(例如,砂、页岩或碳酸盐)。k-NN算法假设相似的事物在n维数据空间中存在紧密的邻近性,并且彼此接近确定每个数据点的哪些岩相可以由其在该n维空间中的接近度来确定。因此有必要见图9。n维数据空间中的最近邻。确定点之间的距离 直线距离称为欧几里得距离。此外,模糊逻辑根据关联的可能性对这些线进行例如,如果伽马射线与泥质高度相关,则与相同深度的卡尺读数相比,该向量将对AI的决策具有更大的狭义AI VS广义AI迄今为止开发的大多数人工智能程序都有窄AI,只能处理一个特定的任务。 他们擅长岩石物理分析,下棋,预测天气,甚至为你点咖啡。通用人工智能是我们要去的地方,像人类一样,可以做很多事情。他们可以做岩石物理分析和下棋。通用AI从一个专业领域学习,并将其应用于另一个领域。例如,也下国际象棋的岩石物理学家可以在岩石物理分析中使用国际象棋决策树分析。根据定义,他们将真正具有创造力,能够产生原创的东西。 通用人工智能是真正的人工智能,将能够'认为出'博克斯'。第三代AI正在使这一切成为可能。第三代AI目前正在开发的人工智能程序包括那些机器代码使用与生命DNA代码相似的规则进化查尔斯·达尔文(1859)用自然选择解释了进化论。我们现在知道这可以通过突变和性选择改变我们的DNA密码来解释。 DNA编码一种由4个核苷酸代表的4个字符的语言,“A”与“T”配对,“C”与“G”配对,由图中的4种颜色代表。 10. 进化循环,如图所示。 10,可能需要数百万年。由于这一过程的巨大成功,正如地球上生命的进化所证明的那样,一些第三代人工智能开发人员正试图模仿它,如图所示。 十一岁而DNA密码是S. Cuddy地球科学中的人工智能2(2021)18见图10。 自然选择导致DNA密码的进化。见图11。 第三代人工智能,计算机代码进化。计算机代码是由两个字符组成的语言,即二进制数字“0”和“1”。DNA代码进化所使用的突变和交配,通过计算机代码的类似变化突变是通过随机改变数字组的对立面来模拟的代码块在计算机的机器代码中移动。为了进一步模仿自然,第三代人工智能可以并行运行100个算法。每1000次迭代(世代),大量的这些变化将在填充健身功能方面收效甚微,并将被删除。然而,AI算法将稳步“进化”。与大多数第一代和第二代人工智能不同,机器代码的操作可能会产生不可预测或不必要的结果。虽然不太可能,但这里存在着人工智能的明确和现实的危险AI的危险这一部分是作者的个人观察和意见重要的是要重申,AI有一个由Fitness确定的目标,函数,并运行很少的用户干预。迈达斯国王和他的点石成金在希腊神话中,迈达斯国王的愿望得到了实现,他希望他触摸到的每样东西都变成金子.他类似地,构思不良的适应度函数可能会产生意想不到的结果。例如,一个人工智能被要求设计和生产一种“防止人类之间传播”的COVID-19病毒疫苗,可以通过杀死人类来一个描述不好的适应度函数被称为迈达斯函数,因为它有潜在的危险。魔法师《魔法师诗,用魔法让扫帚为他挑水不幸的是,它逃跑了,差点淹死他。类似地,如果AI逃跑并变得不可阻挡,它可能会造成严重的危险。我现在描述一个岩石物理学的例子,其中一个措辞不当的适应度函数可能会导致AI失控。失控AI如图所示,考虑AI用于在井位置处将储层模型与电测井进行历史匹配。 12个。可能的适应度函数可以是“尽可能快地获得最佳匹配”。 通过反复试验,计算机有望进化出一个快速的历史匹配。如果你增加资源,任何努力都会更快地例如,在一场战斗中,最好是增加你给你的部队的资源,而不是仅仅要求他们更努力地战斗。同样,如果你给计算机更多的资源,特别是更多的计算能力,历史匹配会更快。一个人类程序员或黑客可能会利用其他网络计算机的资源来达到更快的速度。没有理由AI不能做到这一点如果人工智能“偶然”实现了这一点,那么没有什么可以阻止它通过互联网一次又一次地这样做,最终消耗掉世界上所有的计算能力。因为它现在在互联网上将是不可能关闭。进化需要数百万年的时间,而计算机每秒进行数百万次迭代因此,任何人工智能程序都可能“意外地”开始呈指数级改善。超级计算机不需要这样做。你的笔记本电脑可以做到。不需要复杂的人工智能计算机程序 只有一个可以更新自己的机器码目标由一个判断失误的健身功能。这被称为“奇点”,在那里人工智能变得不可控和不可逆转。这种情况发生的可能性可能像生命自发发生一样遥远,但人工智能只需要这样做一次。目前还不知道如何关闭或停止计算机与失控的进化。AI超越岩石物理学一些对人工智能有深入了解的评论员对失控的人工智能表示严重关切列出这些问题并供有兴趣研究这些问题的人员参考,因为详细讨论这些专家的观点对于理解5个岩石物理案例研究是不必要的剑桥大学教授斯蒂芬·霍金(Stephen Hawking)担心,人工智能可以自行“起飞”,修改自己,独立设计和构建功能更强的系统。 他预测,受生物进化缓慢步伐束缚的人类将悲剧性地被智取,并写道:“创造思维机器的努力对我们的生存构成了威胁。(Hawking 2014)。微软联合创始人比尔·盖茨(Bill Gates)表示,他他指出,人工智能的危险可能包括用于模仿的语音合成;分析人类行为、情绪和信念以进行操 纵 ; 自 动 黑 客 攻 击 和 物 理 武 器 , 如 成 群的 微 型 无人 机 。( Gates2015)。牛 津 大 学 教 授 、 人类未 来 研 究 所 所 长 尼 克 · 博 斯 特 罗 姆 ( NickBostrom)曾表示,人工智能可能通过“劫持政治进程、巧妙操纵金融市场、偏向信息流或黑客攻击人造武器系统”来导致人类灭绝。他写道:“我们就像玩炸弹的孩子”。(Bostrom2014)。SpaceX创始人埃隆·马斯克(Elon Musk)曾表示,人类只是比核武器危险得多 他说:“在可怕的事情发生之前,人工智能需要安全措施。(Musk2017)。S. Cuddy地球科学中的人工智能2(2021)19命名法缩写AI人工智能 DEXP钻井指数脱氧核糖核酸见图12。 使用人工智能对储层模型进行历史拟合。解决AI人工智能程序带来的危险远远超出了石油行业。第一代人工智能(专家系统)不应该是一个问题,因为人工智能受到计算机代码硬连线的限制。第二代人工智能(金融系统)如果可以通过网络或互联网访问其他计算机,可能是危险的。第三代(进化系统)AI因为它们的无限性和不可预测性,德罗三角洲Dtc压缩波传播时间 Dts剪切波传播时间GR伽马射线LFA活液分析仪LQC测井质量控制随钻测井MDT模块化地层动力学测试仪 Mlith声波密度岩性因子NMR核磁共振 Nphi中子孔隙度Phit总孔隙度Rhob堆积密度机械钻速Rt地层电阻率Rw水电阻率自然RXO侵入带电阻率“风险评估”对所有人工智能程序都人工智能失控的可能性很小,但后果可能比流行病、气候变化和核扩散更严重。风险评估只需要几分钟。这包括确认适应度函数是清晰和明确的,并且人工智能不能通过“逃离”其编程的计算机而失控人工智能程序具有潜在的危险性,可能是人类发明的最后一件结论人工智能为岩石物理学带来了许多好处,可以使岩石物理分析变得容易。人工智能AI忽略噪音和离群值。用户干预很少,因为没有参数可供选择,也没有交叉图可供绘制。人工智能程序处理大型数据集,人工智能可以演化泥质水饱和度方程,图像分析,预测剪切速度和渗透率。AI特别擅长于测井质量控制和电气测井的修复。人工智能可能是非常危险的,特别是如果它成为一个失控。强烈建议所有人工智能程序开发都应包括风险评估。竞合利益作者声明,他们没有已知的竞争性经济利益或个人关系,可能会影响本文报告的工作。确认作者要感谢贝克休斯使用他们的数据和资源。作者特别要感谢几位匿名专家,他们就人工智能的历史发展向作者提供了 他们的名字将被引用时,他们给他们的许可。SCAL特殊岩心分析软件含水饱和度T1NMR T1弛豫时间T2 NMR T2弛豫时间TVDss海底真垂直深度与剪切速度Vsh页岩体积符号φ孔隙率m胶结指数n饱和度指数引用比戈尼、弗朗西斯科、皮蓬内、马尔科、皮内利、法比奥、特龙宾、吉安卢卡、芬奇、法比奥,2019年。一个多尺度的路径表征非均质岩溶碳酸盐岩:如何日志到地震机器学习可以优化碳氢化合物生产。一比九https://doi.org/10.30632/T60als-2019_Ff。Bostrom,N.,2014年。超级智能路径。 牛津大学出版社,危险,战略。布朗,D.F.,Cuddy,S.J.,Garmendia-Doval,A.B.,麦考尔,J.A.W.,2000.用遗传算法预测油层渗透率。在:IASTED人工智能和软计算国际会议论文集,ISBN0-88986-292-3,pp。53比58 2000年7月。G.R.科茨,米勒,M.,Gillen,M.,亨德森,G.,1991. Conoco 33-1中的MRIL-一种新的磁共振成像测井的研究。在:第32届年度测井研讨会交易-专业测井分析师协会。 纸DD.Crevier,1993年。谁写的会议通常被认为是新科学的正式发布会。 47比49Cuddy,S.,2013.利用模糊逻辑从电测井预测岩相和渗透率。SPE储液槽评价Eng. 3 ,319-324。https://doi.org/10.2118/65411-PA网站。Cuddy,S.,Daniels,G.,林赛,C.,Sands,P.,2004.地层评价新技术在复杂致密气藏中的应用在:SPWLA第45届年度测井研讨会诺德韦克。荷兰,2004年6月6日至9日。达尔文角,1859.物种起源的自然选择。约翰·默里-伦敦Davis,Randall,Shrobe,Howard,Szolovits,Peter,2002.什么是知识表示?AI Mag.14个。盖茨,B.,2015年。 微软的比尔·盖茨坚持认为人工智能是一种威胁。 BBC新闻,2015年1月29日。霍金,S.,2014年。“人工智能可能是人类的终结”,独立报纸,第2版2014年12月。放大图片作者:Hsu,Feng-Hsiung,Campbell Murray Jr.一、1995.深蓝系统概述,pp。240-244. https://doi.org/10.1145/224538.224567网站。凯,S.,Cuddy,S.,2002.岩石物理学在油田恢复中的创新应用,以石南油田为例。汽油吉奥西。 8(4),317- 325。2002 年12月Knuth,Donald,Moore,Ronald,1975. alpha-beta pruning分析第内特尔6,293-326。https://doi.org/10.1016/0004-3702(75)90019-3.Le,Thai,Liang,Lin,Zimmermann,Timon,Zeroug,Smaine,Heliot,Denis,2019.自动测井深度匹配的机器学习框架,卷。第60页。585-595.https://doi.org/10.30632/Pjv60n5-2019a3网站。S. Cuddy地球科学中的人工智能2(2021)110李,胡,刘,刚,杨,山森,郭,英,黄,何,戴,明宗,田,元氏,2019。使用深度学习技术在大斜度井和水平井中进行自动电阻率反演和地层几何形状确定。1比11 网址:http://doi.org/10.306
下载后可阅读完整内容,剩余1页未读,立即下载
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- VMP技术解析:Handle块优化与壳模板初始化
- C++ Primer 第四版更新:现代编程风格与标准库
- 计算机系统基础实验:缓冲区溢出攻击(Lab3)
- 中国结算网上业务平台:证券登记操作详解与常见问题
- FPGA驱动的五子棋博弈系统:加速与创新娱乐体验
- 多旋翼飞行器定点位置控制器设计实验
- 基于流量预测与潮汐效应的动态载频优化策略
- SQL练习:查询分析与高级操作
- 海底数据中心散热优化:从MATLAB到动态模拟
- 移动应用作业:MyDiaryBook - Google Material Design 日记APP
- Linux提权技术详解:从内核漏洞到Sudo配置错误
- 93分钟快速入门 LaTeX:从入门到实践
- 5G测试新挑战与罗德与施瓦茨解决方案
- EAS系统性能优化与故障诊断指南
- Java并发编程:JUC核心概念解析与应用
- 数据结构实验报告:基于不同存储结构的线性表和树实现
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)