在 Cray 超级计算机上应用机器学习优化油气勘探中的岩石物理工作流
地球物理
2020-10-06 v1 机器学习
摘要
油气行业充斥着地下数据，这些数据用于刻画海床之下的岩石与流体属性。这进而驱动商业决策与勘探，但行业当前在处理数据时高度依赖人工工作流。一个关键问题在于能否利用机器学习来辅助寻找碳氢化合物的岩石物理学家的工作。在本文中，我们呈现了与 Rock Solid Images (RSI) 合作完成的工作，即在 Cray XC30 上使用监督式机器学习训练模型，以简化人工数据解释流程。以将岩石物理解释时间从逾 7 天缩短至 7 分钟为总体目标，本文描述了利用原始测井数据训练的数学模型，用于完成岩石物理解释工作流四个阶段及初始数据清洗的每一环节。我们探究了这些模型的预测与人类岩石物理学家的解释之比对，以及为优化模型预测所采用的众多选项与技术。现代超级计算机（如 Cray 机器）所提供的算力在此至关重要，但一些流行的机器学习框架无法充分利用现代 HPC 机器。因此我们也将探讨所用机器学习工具的适用性，并描述我们为规避其局限所采取的步骤。本工作的成果是首次能够实现将机器学习用于整个岩石物理工作流。尽管存在众多挑战、局限与注意事项，我们证明了机器学习在处理地下数据中可发挥重要作用。
引用
@article{arxiv.2010.02087,
title = {Machine learning on Crays to optimise petrophysical workflows in oil and gas exploration},
author = {Nick Brown and Anna Roubickova and Ioanna Lampaki and Lucy MacGregor and Michelle Ellis and Paola Vera de Newton},
journal= {arXiv preprint arXiv:2010.02087},
year = {2020}
}
备注
This is the pre-peer reviewed version of the following article: Machine learning on Crays to optimise petrophysical workflows in oil and gas exploration, which has been published in final form at https://doi.org/10.1002/cpe.5655