利用机器学习缩减油气勘探地质模型集成
机器学习
2020-10-20 v1 地球物理
摘要
使用钻孔钻探进行勘探是石油工业确定开发油田最合适位置的关键活动。然而，估算石油原地储量（OIP）依赖于用数量极为庞大的地质模型进行计算，而由于捕获和细化数据的能力不断增强，这正变得不可行。因此，需要数据缩减技术将该集合缩减为更小但仍具充分代表性的集成。在本文中，我们探索了基于模型最重要特征识别关键模型分组的不同方法，然后利用该信息选择一个我们可确信能充分代表整体模型空间的缩减集合。这项工作的成果是一种仅使用0.5%的模型即可描述整个状态空间的方法，以及一系列经验教训。我们所描述的技术不仅适用于油气勘探，也更普遍地适用于HPC社区，因为随着数据收集能力的快速增长，我们被迫使用缩减的数据集工作。
引用
@article{arxiv.2010.08775,
title = {Using machine learning to reduce ensembles of geological models for oil and gas exploration},
author = {Anna Roubícková and Lucy MacGregor and Nick Brown and Oliver Thomson Brown and Mike Stewart},
journal= {arXiv preprint arXiv:2010.08775},
year = {2020}
}
备注
Pre-print in 2019 IEEE/ACM 5th International Workshop on Data Analysis and Reduction for Big Scientific Data (DRBSD-5) (pp. 42-49). IEEE