物理信息机器学习在地下能源系统中应用的批判性综述
机器学习
2024-05-24 v1 机器学习
摘要
机器学习已成为计算机视觉、自然语言处理和语音识别等多个领域的有力工具。它能够揭示大型数据集中的隐藏模式并提供无与伦比的洞察，从而革新了许多行业和学科。然而，机器和深度学习模型缺乏可解释性且领域特定知识有限，尤其在物理与工程等应用中。与之相对，物理信息机器学习（PIML）技术将物理原理集成到数据驱动模型中。通过将深度学习与领域知识结合，PIML 改善了模型的泛化能力、对控制物理定律的遵从性以及可解释性。本文全面综述了与地下能源系统相关的 PIML 应用，主要在石油和天然气工业中。该综述强调了 PIML 在地震应用、油藏模拟、油气产量预测以及勘探和生产阶段智能决策等任务中的成功利用。此外，它展示了 PIML 通过为资源管理和运营效率提供更准确可靠的预测，来革新石油和天然气工业以及其他新兴关注领域（如碳和氢储存以及地热系统）的能力。
引用
@article{arxiv.2308.04457,
title = {A Critical Review of Physics-Informed Machine Learning Applications in Subsurface Energy Systems},
author = {Abdeldjalil Latrach and Mohamed Lamine Malki and Misael Morales and Mohamed Mehana and Minou Rabiei},
journal= {arXiv preprint arXiv:2308.04457},
year = {2024}
}