基于强化学习与粒子滤波的高精度地质导向
机器学习
2025-04-08 v1 人工智能
地球物理
摘要
地质导向是钻井作业的关键组成部分，传统上涉及对测井数据等多种数据源的人工解释。这引入了主观偏差和不一致的程序。学术界尝试利用贪婪优化和近似动态规划（ADP）解决地质导向决策优化问题，虽展现出前景，但缺乏对现实多样化场景的适应性。强化学习（RL）为这些挑战提供了解决方案，通过基于奖励的迭代学习促进最优决策。状态估计方法，例如粒子滤波（PF），为基于在线信息的地质导向决策提供了互补策略。我们将基于 RL 的地质导向与 PF 相结合，以应对现实的地质导向场景。我们的框架部署 PF 处理实时测井数据，以估计井相对于地层的相对位置，进而为基于 RL 的决策过程提供信息。我们将我们方法的性能与单独使用 RL 或 PF 的性能进行了比较。我们的研究结果表明，RL 与 PF 之间在产生优化的地质导向决策方面存在协同作用。
引用
@article{arxiv.2402.06377,
title = {High-Precision Geosteering via Reinforcement Learning and Particle Filters},
author = {Ressi Bonti Muhammad and Apoorv Srivastava and Sergey Alyaev and Reidar Brumer Bratvold and Daniel M. Tartakovsky},
journal= {arXiv preprint arXiv:2402.06377},
year = {2025}
}
备注
40 pages