Un elemento central del proceso de entrenamiento de modelos basados ​​en datos es la utilización de una función de pérdida, que calcula la disparidad entre la salida del modelo y los resultados objetivo deseados (etiquetas). Luego, el optimizador ajusta los parámetros del modelo según la función de pérdida para minimizar la diferencia entre la salida y las etiquetas.

Mientras tanto, el registro geofísico implica una gran cantidad de conocimientos de dominio, modelos matemáticos y modelos físicos. Depender únicamente de modelos basados ​​en datos a veces puede producir resultados que contradicen el conocimiento establecido. Además, los datos de entrenamiento con distribución desigual y etiquetas subjetivas también pueden afectar el rendimiento de los modelos basados ​​en datos.

Un estudio reciente publicado en Artificial Intelligence in Geoscience informó la implementación de restricciones en el entrenamiento de modelos de aprendizaje automático basados ​​en datos utilizando funciones de respuesta de registro en tareas de predicción de parámetros de yacimientos de registro de pozos.

"Nuestro modelo, llamado Red neuronal informada por petrofísica (PINN), integra restricciones petrofísicas en la función de pérdida para guiar el entrenamiento", dice el primer autor del estudio, Rongbo Shao, Ph.D. candidato de la Universidad China del Petróleo-Beijing. "Durante el entrenamiento del modelo, si el resultado del modelo difiere del conocimiento petrofísico, la función de pérdida se ve penalizada por restricciones petrofísicas. Esto acerca el resultado al valor teórico y reduce el impacto de los errores de etiquetado en el entrenamiento del modelo".

Además, este enfoque ayuda a discernir las relaciones correctas a partir de los datos de entrenamiento, especialmente cuando se trata de tamaños de muestra pequeños.

"Introducimos errores permitidos y ponderaciones de restricciones petrofísicas para hacer más flexible la influencia de los modelos de mecanismos en el modelo de aprendizaje automático", explica Shao. "Evaluamos la capacidad del modelo PINN para predecir los parámetros del yacimiento utilizando datos medidos".

Shao y sus colegas descubrieron que el modelo ha mejorado en precisión y robustez en comparación con los modelos basados ​​puramente en datos. No obstante, los investigadores observaron que la selección de los pesos de las restricciones petrofísicas y el error permitido sigue siendo subjetivo, por lo que requiere mayor exploración.

La autora correspondiente, la profesora Lizhi Xiao de la Universidad del Petróleo de China, subraya la importancia de esta investigación:"La integración de modelos de IA basados ​​en datos con modelos de mecanismos basados ​​en conocimientos es un área de investigación prometedora. El éxito del modelo PINN en el registro de pozos es un importante paso adelante para la geociencia en esta dirección."

Xiao enfatiza la necesidad de un refinamiento continuo:"La selección de ponderaciones de restricciones petrofísicas y errores permitidos, así como la adaptabilidad del conocimiento del dominio a los diferentes estratos geológicos, presentan desafíos continuos. Además, la calidad de los conjuntos de datos es crucial para la aplicación de la IA en Se necesitan conjuntos de datos de registro de pozos completos y disponibles públicamente con alta calidad y cantidad."