1、第 40 卷 第 3 期2024年 5月Uranium Geology铀矿地质Vol.40 No.3May2024机器学习在地球物理勘探中铀矿资源勘查的应用研究进展韩世礼1,2,肖健1,2,柳位1,2(1南华大学 资源环境与安全工程学院,湖南 衡阳 421001;2湖南省稀有金属矿产开发与废物地质处置技术重点实验室,湖南 衡阳 421001)摘要 机器学习有自动性、高准确性、可扩展性等优势,适用于大数据处理和自适应任务。在地球物理勘探中运用,可大幅提高勘探效率和准确性,促进技术进步,实现地球物理向智能化解译的发展。文章首先介绍了机器学习在地球物理领域的常用先进方法,如深度学习、深度神经网络、B
2、P神经网络、支持向量机和随机森林的基本原理和分类特点。其次介绍了放射性勘探、地球物理测井、成矿预测和联合反演的基本原理,同时对前人在机器学习应用到这 4方面地球物理领域的实际应用进行综合分析,结果表明,机器学习在这 4个领域中的应用均取得了显著的效果。通过机器学习技术的应用,地球物理勘探能够取得更加全面、精准和高效的成果,同时也能推动这项技术的不断进步。关键词 机器学习;放射性勘探;地球物理测井;成矿预测;联合反演文章编号 1000-0658(2024)03-0555-10 中图分类号 P631;TP39 文献标志码 A2006 年,Hinton1等提出的深度置信网络开启了人工智能的机器学习时
3、代。此后,人工智能技术在各行业不断取得突破,如在自动驾驶、语音助手、语音识别和翻译、智能推荐、智能搜索和手写识别及医学等领域均取得了巨大进展。随着人工智能技术的快速发展,尤其是机器学习方法的广泛应用,极大地促进了智能化物探领域的发展。目前,机器学习 AI技术广泛应用于物探领域,为地球物理学的发展提供了坚实基础。运用机器学习对地球物理信号(重力场异常、磁场异常、时频电磁场、伽马射线光谱、地震波形的变化和地热梯度场等信号)的特征识别可以有效地提高地物信号的自动化处理效率。地球物理勘探领域有许多潜力巨大的人工智能应用。在断层识别2、速度分析3、地震反演4、生成测井曲线5、联合反演成像6、成矿预测7、
4、岩石物理8等方面取得了显著进展9。1 机器学习方法机器学习(Machine Learning)作为人工智能的一种分支,他利用计算机高效率的算法和超强的建立模型的能力,从获取的原始地球物理数据中自动学习这些数据的特征并自动分析和解释这些数据背后所包含的各种地质信息,识别物探数据中的模式和规律,并根据这些原始数据得出的规律对以后所采集到的数据做出预测或决策。机器学习是高效且快速的地球物理大数据地质解释的实用工具,同时也是物探数据解释和分析的前景未来10。机器学习的第一个主要核心思想是通过计算机的高速计算和自动化技术对“输入激励(变量原因域)输出响应(观测结果域)”映射关系的相近拟合11。从广义上讲
5、,机器学习算法是关于解决优化问题的过程。换句话说,用一种数学方法来学习输入的样本数据,并建立一个学习模型,通过不断改进模型DOI:10.3969/j.issn.1000-0658.2024.40.050基金项目 湖南省自然科学基金(编号:2023JJ30506)资助。收稿日期 2023-06-25 改回日期 2023-07-05第一作者 韩世礼(1979)男,讲师,博士,主要从事地球物理勘探和环境地质方面的研究。E-mail:韩世礼铀 矿 地 质第 40 卷参数来提高模型的通用性,避免过度拟合。机器学习的第二个核心思想是模型的训练和优化。当一个模型被训练时,此模型从数据中学习,直到达到最终满意
6、的结果。优化是改变模型参数以提高预测准确性的过程,交叉验证和正则化等方法被用来优化模型,以避免过拟合和欠拟合等问题。机器学习算法有 3种主要类型:监督式学习,从大量标记好的数据中学习,适用于分类和回归问题;无监督式学习,从未标记数据中学习,适用于聚类和关联规则数据挖掘等问题;半监督式学习结合了监督式学习和无监督式学习,利用少量标记数据和大量未标记数据进行学习。机器学习模型的种类有很多,如支持向量机(Support Vector Machines,SVM)、随机森林(Random Forest,RF)、人 工 神 经 网 络(Artificial Neural Networks,ANN)、决 策
7、 树(Decision Trees,DT)、逻辑回归(Logistic Regression,LR)、K 最近邻(k-Nearest Neighbors,KNN)以 及 贝 叶 斯 分 类 器(Bayes Classifier,BC)等,每种模型都有其自己的优劣势和适用范围。因此,在应用中,应根据具体问题选择最合适的机器学习模型以获得最佳解决方案。1.1 深度神经网络1.1.1 深度神经网络基本原理深度神经网络是一种具有多个隐藏层的神经网络,通过多层非线性变换来构建一个复杂的非线性模型,从而学习到更高级别的特征表示。深度神经网络是深度学习(Deep Learning,DL)的一种主要模型,深度
8、学习是一种机器学习技术,深度学习的核心思想是通过多层的神经网络模型自动学习数据中的特征和模式,而深度神经网络则是实现这个目标的一种具体的网络结构。深度学习作为机器学习的一个全新的研究领域,在智能语音助手、大数据可视化、计算机视觉等多个领域都有显著的成效12-13。深度学习是在人工神经网络的研究中提出,Hinton 等14在 深 度 置 信 网 络(Deep Belief Networks,DBN)的基础上提出了非监督贪心逐层训练算法,利用这个算法的逐层初始化可以处理与深度神经网络有关的最优化问题。深度学习最显著的好处在于具备更高级别、更自动化地探索数据结构的能力,其能够自主地发现最适配描述数据
9、集的各种信息,从而能够处理繁杂的非线性难题。王昊等15基于深度学习在大地电磁数据处理、航空电磁数据解释、地震探测定位等领域进行分析研究,总结得出深度学习在地球物理领域的应用将会更加广泛。基于深度学习的深度神经网络,由于含有大量的神经元,在网络训练过程中自动地、可根据数据自适应地对神经元之间的权重进行调整和修正,使得这些神经元形成强互连关系,就像每个人脑中的无数个神经元,并最终实现网络的各类高级功能(图 1)。因此,深度神经网络不仅完备了神经网络的多项特性,而且具备了更强的网络表达功能16,可以被称为深度神经网络(Deep Neural Networks,DNN)。DNN 通过建立一个类似人类大
10、脑的深层神经网络模型,对测得的数据进行深层次的自适应、非显式的数据开发。经过深度学习后,深层神经网络模型的解释变量可以得到最优解。深度神经网络可以对目标数据进行信息特征化和迭代提取并组合,最后生成更抽象的类别表征信息,从而实现对目标数据分类和预测的最佳效果17。DNN 网络结构比浅层学习方法更复杂,由多个层次组成。DNN 采用非线性连接方式,能够处理更复杂的数据表示问题。DNN 技术可以更清晰和分层次地进行潜力开发和表示高难度和繁杂的数据,最终获取核心数据信息和逼近任意复杂函数。赵明等18基于深度学习卷积神经网络法对汶川余震所采集到的数据集进行训练和检测,结果证明深度神经网络法进行实时地震检测
11、有巨大的潜力。王坤喜等19基于数据增广训练的深度神经网络法对一套崎岖海底模型地震物理模拟数据进行压制地震多次波,取得了良好的应用效果。图 1 深层神经网络结构图Fig.1 Deep neural network structure diagram1.1.2 深度神经网络分类深度神经网络是由多个层式单元堆叠叠加而成的20,每个单元包含一个编码器、一个解码器或两者兼备,这些单元可以直接反映网络架构中不同的层级深度及其数据再映射过程。编码器提供的 556韩世礼,等:机器学习在地球物理勘探中铀矿资源勘查的应用研究进展第 3期自底向上的映射将输入映射到隐含空间,解码器通过将隐含空间映射到输入空间来重建输
12、入,并尽可能地使其接近原始输入21。深度神经网络可细分为 3类:第一类是前馈深度网络(Feed-Forward Deep Networks,FFDN),由多个仅含有编码器层的单元堆叠构成,例如多层感知器(Multi-Layer Perceptrons,MLP)和 卷 积 神 经 网 络(Convolutional Neural Networks,CNN)22等;第 二 类 是 反 馈 深 度 网 络(Feed-Back Deep Networks,FBDN),由多个仅含有解 码 器 层 的 单 元 堆 叠 构 成,例 如 反 卷 积 网 络(Deconvolutional Networks,D
13、N)23和层次稀疏编码网络(Hierarchical Sparse Coding,HSC)24等;第三类是 双 向 深 度 网 络(Bi-Directional Deep Networks,BDDN),由多个同时包含编码器层和解码器层的单元堆叠构成,例如深度玻尔兹曼机(Deep Boltzmann Machines,DBM)、深 度 信 念 网 络(Deep Belief Networks,DBN)和 栈 式 自 编 码 器(Stacked Auto-Encoders,SAE)25等。1.2 BP神经网络1.2.1 BP神经网络基本原理1986 年,由 Rumelhart 等科学家提出的误差反
14、向传播人工神经网络模型,称为 BP 神经网络(Back Propagation Neural Network,BPNN)。该模型运用广泛,是现如今最常使用的神经网络模型之一。其具有 3 层结构:输入层、隐藏层和输出层,这 3 层的任何一层都包含了数量不限的神经元,BP神经网络的训练过程分为 3个阶段:1)信息正向传播:训练数据通过输入层加载到 3 层神经网络模型中,由隐藏层的神经元进行处理,然后从输出层提取;2)误差反向传播:比较实际输出和理想输出之间的误差,应用梯度下降法,按照误差函数下降最快的方向调整各层神经元的权重和阈值。3)循环迭代:重复前两项的过程,当预定值达到了特定的精度或者迭代次
15、数足够即可输出结果(图 2)。张瀚等26基于 BP 神经网络构建三维地质模型对第四系覆盖物厚度进行预测,结果此方法具有良好的可视化效果,解决了区域范围第四系覆盖物厚度的预测难题。王志豪等27通过 BP 神经网络构建新的非电性测井饱和度评价模型用于分析含水饱和度和岩心数据,结果可知含水饱和度与岩心数据之间具有更高的吻合度,为页岩气含水饱和度的评价开拓了新的思路。图 2 BP神经网络结构示意图Fig.2 Schematic diagram of BP neural network structurex1xixm训练数据;y1yjyn输出结果。1.2.2 BP神经网络的特点BP 神经网络是一种分布式
16、存储和处理信息的计算模型,信息通过神经元状态和他们之间的连接方式进行编码和传递;具有高度的容错性、适应性和鲁棒性,能够有效应对复杂的学习任务和实际需求;连接权重具有可调性,具备自学习和自适应性,可以自主学习和感知外界因素;信息存储和处理是紧密耦合的,以高度并行的方式进行大规模处理,比现代数字计算机更加优越。1.3 支持向量机1.3.1 支持向量机基本原理Vapnik28提出了支持向量机(SVM)方法,此方法基于结构风险最小原理和统计学习理论,借助非线性函数,将低维数据映射到高维空间,并在多维空间中运用二次规划来解决分类和回归问题,从而有效克服了数据维数的困难。最终,得到了分类决策函数或回归估计
17、函数。SVM 是一种基于 VC 维(Vapnik-Chervonenkis Dimension)理论的统计学模型,属于有监督学习中常用的分类和回归模型。他通过在高维空间中寻找最优超平面作为决策函数来加强机器学习的技术,在利用样本最少的情况下得到经验风险和置信范围的最小化以达到最佳分类效果。SVM 能够选择出具有代表性的样本点,并基于这些样本点计算出最优分类超平面,以实现对线性可分数据的最优分类(图 3)。支持向量机(SVM)是一种在数据样本极少的条件下实现学习精度与学习函数复杂度之间平衡的优秀方法。相比传统算法,他它有效地解决了过拟合问题,同时具有强大的泛化能力,适用于处理非线性的分类、回归等
18、问题。理论上,SVM 方法可以收敛到全局最优解,从而了躲开了 BP神经网络中的局部极值问题。SVM 在样本数据量很小的条件下,557铀 矿 地 质第 40 卷权衡学习精度和学习函数复杂性之间的折中关系,解决了过拟合问题,从而实现了不错的泛化效果。他适用于解决非线性分类、回归等问题,并在实际应用中得到广泛的应用和认可。理论情况下,使用SVM 能获得全过程的最优解,不必考虑 BP神经网络带来的局部极值影响。图 3 支持向量机结构示意图Fig.3 Schematic diagram of support vector machine structurex1、x2xn训练数据;k(x,x1)、k()x
19、,x2k(x,xn)核函数;y输出结果。李铁牛等29基于改进支持向量机的微震初至波到时自动拾取法对某矿井下微震监测数据进行分析,结果表明该方法对微震初至波到时的拾取准确精度高于常用的长短时窗能量比法。张涛等30基于自适应粒子群优化最小二乘支持向量机法构建岩性判别模型,对几种岩石的垂向分布进行预测,有效解决了深层基底变质岩储层精细描述中的岩性精准识别难题。1.3.2 支持向量机分类SVM 分类的基本思想是在几何间隔最大的分离超平面上正确划分数据集,从而实现对数据样本的分类。根据数据样本的特征,数据可以被分成线性可分和非线性可分两种情况。如果数据线性可分,则 SVM 会在初始特征空间中构建最大间隔
20、分离超平面,并用训练集构建分类器来对样本进行分类。如果训练数据是线性可分的,则有无数个线性分离超平面可以将数据正确划分,但最大间隔分离超平面却只有唯一的一个(图 4)。图 4中,四角星形和菱形表示不同的数据,3 条虚线表示划分这两种数据的超平面,绿色虚线是最优的超平面。当数据在原始空间中无法线性划分时,可以使用核函数将其映射到高维空间中进行分类。通过核函数的非线性变换,可以使得在低维度空间中难以区分的样本在高维度空间中被更好地分离。基于此,我们可以通过最优化分类超平面的方法将不同类别的样本有效地分离,从而实现更高准确率的分类(图 5)。图 5中,右侧的紫色平面代表超平面。图 4 支持向量超平面
21、Fig.4 Support vector hyperplane图 5 超平面分离线性不可分数据样本图Fig.5 Sample of inseparable data by hyperplane separated linearly1.4 随机森林1.4.1 随机森林基本原理随机森林算法是基于 Bagging 算法和集成学习思想的一种集成划分识别算法,由Breiman提出31。Bagging 算法采用自助抽样的集成方式,将原始训练集分为 k 个子集,在每个子集上构建一个分类器,得到 k 个全局相关的模型,在预测时综合这些模型的结果来获得最终的预测结果。随机森林是一种特别的 bagging,利用决
22、策树当作模型,通过自助法完成训练数据的随机抽样,建立k个决策树,形成森林。在分类中,每个模型都对样本负责投票,根据得票最多的类别来进行分类;在回归问题中,每个模型的预测值将被取均值来获得最终预测结果(图 6)。康乾坤32基于随机森林算法,建立铀矿异常判断和岩性区分模型,对已知矿化层的特征信息和随机森林的识别结果进行验证分析,并同传统的铀矿勘查方法比较取得了不错的效果,表明随机森林算法在铀矿异常识别中具有良好的地质前景。郭建宏等33利用斜率关联度法与随机森林算法相融合,对测区内的测井资料进行煤气层含量评估,计算得出的结果可信度高,对煤气层勘探开发具有指导意义。558韩世礼,等:机器学习在地球物理
23、勘探中铀矿资源勘查的应用研究进展第 3期图 6 随机森林算法工作流程图Fig.6 Workflow diagram of random forest algorithm1.4.2 随机森林的特点随机森林算法具有高性能和实用性,因为此算法集成了学习和“Bagging”算法的创新,大大提高了容错性和训练稳定性,避免了过拟合、欠拟合、局部小型化和不稳定等问题。随机森林算法借助多个学习器的集成和组合,具有出色的泛化能力,从而扩展了算法的性能和适用范围。这两个理念是随机森林算法优势的重要原因,目前仍然是基础研究的主要工具。2 机器学习在放射性物探领域的应用放射性物探技术是一种研究地质结构和岩石成分的无损
24、检测方法,其基本原理是利用地下放射性元素自发核衰变时的辐射释放情况,通过对其放射性衰变物质的粒子能量、方向和强度进行测量和分析,得出地下物质的特征参数,从而推断地下结构和岩石成分的分布情况,最终目的是对测区内的可利用矿产资源进行勘探。将机器学习和放射性物探相结合,充分利用机器学习的高性能算法和超快的计算能力,对所采集到的海量数据进行分析和处理,能够快速且准确地找到矿产资源的位置、形态、大小、厚度及含量等相关信息。下面介绍放射性物探法中常用的伽马测量和氡气测量这两种常用的方法。2.1 伽马测量伽马射线测量是借助仪器测量地质体中铀及其衰变产物所放出的 射线来进行矿物勘探。在大自然中,若铀镭含量达到
25、放射性平衡状态时,铀元素释放的 射线占全部含量的 2.1,而镭元素释放的 射线则占据 97.9的比例。所以伽马测量本质上是利用检测镭元素的 射线来得出结果的34。使用伽马测量时,通常挑选出岩石露头较多,浮土厚度低于 2 m,分散晕发育及地质条件有助于成矿富集的地区。胡浩行35研究并发展了一种基于多个维度的深度卷积神经网络模型,可用于提取核素能谱的特征。该模型可以针对一维波形能谱和二维能谱图像进行有效的属性选择和标记排序,再利用传统的特征提取方法进行类比,最终得出结论。这种核素能谱特征提取方法,未来在核素能谱测量领域中有着广泛的应用前景。2.2 氡气测量氡是一种放射性气体,可由镭衰变而来,且可在
26、地下 150 m 处向上运移。氡气在孔隙度较大的土壤和岩石中的迁移能力很强,尤其在构造断裂带,易形成局部高异常。氡气测量可用于探测断裂构造、寻找铀矿体、防治自然灾害、环境保护等,应用范围广泛。氡气测量基本原理为闪烁室法,通过单位时间内的脉冲数比例确定吸入气体中的氡气浓度,此方法操作简单,但氡气富集存在不确定性。机器学习可以用于氡气测量数据的模式识别和分类,以便判断是否存在健康风险。此外,机器学习还可以在氡气测量网络中进行异常检测,及早发现和处理异常值或异常情况。另外,机器学习还可以与传感器技术结合,实时监测和预测氡气浓度的变化。通过使用机器学习算法,可以优化氡气测量数据 的 解 释 和 预 测
27、 模 型,提 高 监 测 的 准 确 性 和 可靠性。3 机器学习在地球物理测井中的应用3.1 地球物理测井的基本原理地球物理测井能够获取有关地下岩石和地层结构信息,是石油勘探和开发中不可或缺的工具。但是,测井数据往往具有多参数、高维度的特点,传统数据分析方法受到数据量庞大、复杂度高和噪声干扰的制约。随着机器学习技术的发展,越来越多的研究者将机器学习方法应用于地球物理测井数据分析和处理中。机器学习可以自动学习和识别地球物理测井数据的地质信息,从而提高勘探和开发的效率和准确性。在地球物理测井领域,机器学习取得了良好的应用效果,进一步加快了测井解释的智能化发展,特别是在储层参数计算、岩相识别和曲线
28、重构等领域。此外,人工智能在地层流体研究36、声波时差及电阻率成像测井资料解释37、基于机器学习的测井解释模型推广38、储层综合评价等测井领域皆有相关深度的研究39。3.2 机器学习在地球物理测井中的应用近年来,已经有许多专家在地球物理测井领域 559铀 矿 地 质第 40 卷成功地应用了基于机器学习的先进技术,取得了良好的效果,包括储层参数计算、岩性识别、测井曲线重构和解释等方面。Tabari 等40采用 BP 神经网络模型,综合了自然伽马曲线、中子孔隙度密度、纵波速度等参数来进行预测,得到了横波速度精度较高的结果。杨志力等41采用 BP 神经网络,利用电阻率、自然伽马、自然电位等测井曲线,
29、再把声波曲线重新构建,通过与井径扩大井段中其他曲线的匹配关系,声波时差曲线有了很大的提升。朱林奇等42基于深度置信网络技术对储层渗透率参数进行预测,再借助核磁共振测井信息精确地得出了低孔渗储层的渗透率。4 利用机器学习在成矿预测中的应用4.1 成矿预测成矿预测是通过对多源地质大数据进行特征提取和模型建立,结合相关成矿条件和地质找矿标志,对未开采的地质区域进行资料解释和成矿评价。机器学习算法和高性能计算机的应用,可以自动学习地球科学大数据的特征和地质属性,预测已知矿体的矿产资源储量、成矿规模和大小、成矿形状、成矿深度和边界品位等地质信息43。成矿预测本质上是对地学空间数据的特征信息提取和多源找矿
30、信息的综合集成。成矿预测的主要思想是对空间地质数据特征信息的提取和整合,机器学习在成矿预测中的应用主要在以下两个方面:一是特征信息提取。从地球物理、地球化学、地质和遥感数据中得到的勘探数据往往反映了复杂的地质过程,使用机器学习技术能够充分获得矿产资源形成的特征信息,为定量预测和估算提供依据44。二是信息综合和集成。多源矿产调查信息整合可减少矿产勘探中的决策失误和不确定性45,因为单一信息可能只反映地质异常或矿体某一特征。机器学习探索地质学科发现信息与矿床关系并生成参数模型,帮助预测类似地质环境中的矿物的有利成矿、相似性和可能性。4.2 机器学习在成矿预测中的应用在成矿预测进入量化阶段以后,机器
31、学习的多种先进方法逐渐被广泛采用,并成为矿产预测领域最为重要的研究方向之一。李瀚波等46基于神经网络的砂岩型铀矿有利区预测方法,对巴音戈壁盆地的塔木素-本巴图地区进行试验建模,得出该测区内铀成矿潜力高。阴江宁和肖克炎47等利用Hopfield 神经网络对新疆东天山地区岩浆型铜镍硫化物矿床进行级别分类并输出,提供了非线性矿产预测的新的尝试和思路,在一定程度上提高了矿产预测的精确度和可信度。马瑶和赵江南48综合评述了逻辑回归、人工神经网络、随机森林和支持向量机等方法在成矿预测实际应用的结果,并指出,基于大数据与机器学习的成矿预测是以后的重要方向。5 利用机器学习进行联合反演5.1 联合反演的基本原
32、理地球物理联合反演是联合多源地球物理勘探数据,主要是推断地质体的几何参数与岩石物性之间的关联,联合反演出一个符合地质概况的地球物理模型。为了便于地球物理数据的解释,往往将地球物理异常反演为近地层地质体的物理参数49,根据地质体的物理性质和分布规律,对一个或多个来源的地球物理数据进行地质解释。作为综合地球物理学的重要定量解释工具,联合反演可以减少地球物理反演的不一致性,有效规避单个方法的局限性,是国内外地球物理研究的重要发展方向50。5.2 机器学习在联合反演中的应用近年来,已有多位学者将机器学习应用在联合反演领域中,其中张磊51扩展了宽范围岩石物性技术,提出了基于随机正、反比例关系的宽范围岩石
33、物性约束技术。闫政文52开发出了一种交叉梯度联合反演方法,该方法是假定相同测区内不同物性参数的空间结构分布所有或少许一致,不必过度取决于不同岩石物性参数间的定量关系。6 结论与展望本文的主要内容是对地球物理勘探领域常用的 4 种机器学习方法进行了分析和阐述,其中包括了常见的监督式机器学习方法,如神经网络、支持向量机和随机森林,后面概述了机器学习在放射性物探、地球物理测井、成矿预测和联合反演等领域中的应用,由前人所做的成果可知均达到了不错的实际效果。此外,在电法勘探、重力勘探、磁法勘探和地热勘探等领域中,尽管已有一些学者成功地应用了机器学习技术,对物探方法的有效性做出了一定的探索和发现,但在这些
34、物探方法中仍然存在许多未被发现的潜力值需要深入挖掘和研究。1)智能物探中机器学习展望:机器学习算法在 560韩世礼,等:机器学习在地球物理勘探中铀矿资源勘查的应用研究进展第 3期智能地球物理勘探中取得了突破性进展,但仍需进一步研究无监督学习、模型规模与训练速度、方法融合等问题。未来研究将更注重处理海量无标记数据、提高训练速度、整合不同方法以实现更高准确性和更广应用范围。2)放射性勘探中机器学习展望:机器学习技术将进一步提高放射性物探的探测精度和效率,实现更准确、深入的地下分析,这将为勘探工程提供更精准的支持,为环境保护提供更高质量的数据,以及为灾害预测提供更可靠的依据。同时,机器学习技术的发展
35、也将使得放射性物探技术更加智能、精准和可靠。3)测井中机器学习展望:机器学习能处理大量数据、做数据分析及输出,成为可行的测井技术。未来机器学习技术将使测井自适应和智能化,调节测井设备参数和数据算法,使高效井筒工具和技术的开发更精确。同时,机器学习也能自动识别不同性质储层,进行低成本、高效率且高精度的评价。4)成矿预测中机器学习展望:机器学习技术在地质勘探中扮演重要角色,但模型的可解释性有限、数据来源问题和数据收集处理成本高是需要解决的问题。未来机器学习技术将提高矿产资源勘探的效率和准确性。5)联合反演中机器学习展望:机器学习可从海量数据中学习物理学模型,提高精度和鲁棒性。未来,多物理量联合反演
36、、同时反演多个参数、数据噪声分析和修正、以及自适应计算等方面将更广泛应用机器学习技术。参考文献1 HINTON G E,SALAKHUTDINOV R R.Reducing the dimensionality of data with neural networksJ.Science,2006,313(5786):504-507.2 陈桂,刘洋.基于人工智能的断层自动识别研究进展J.地球物理学进展,2021,36(1):119-131.CHEN Gui,LIU Yang.Research progress of automatic fault recognition based on art
37、ificial intelligence J.Progress in Geophysics,2021,36(1):119-131(in Chinese).3 彭冬冬,李振春,孙小东,等.人工智能速度分析方法研究现状 J.地球物理学进展,2022,37(5):2010-2023.PENG Dongdong,LI Zhenchun,SUN Xiaodong.et al.Research status of artificial intelligence velocity analysis method J.Progress in Geophysics,2022,37(5):2010-2023(in
38、 Chinese).4 杨柳鑫.深度学习技术在地震资料解释及反演中的应用研究 D.北京:中国石油大学,2020.5 张东晓,陈云天,孟晋.基于循环神经网络的测井曲线生成方法 J.石油勘探与开发,2018,45(4):598-607.ZHANG Dongxiao,CHEN Yuntian,MENG Jin.Synthetic well logs generation via recurrent neural networksJ.Petroleum Exploration and Development,2018,45(4):598-607(in Chinese).6 谢玮.基于机器学习的缝洞识别
39、及多波联合反演方法研究 D.北京:中国地质大学,2019.7 付光明.基于机器学习的三维成矿预测研究 D.南昌:东华理工大学,2021.8 MUHAMMAD A.基于深度学习的巴基斯坦下戈鲁储层岩石物理和测井分析综合研究 D.武汉:中国地质大学,2021.9 匡立春,刘合,任义丽,等.人工智能在石油勘探开发领域的应用现状与发展趋势J.石油勘探与开发,2021,48(1):1-11.KUANG Lichun,LIU He,REN Yili,et al.Application and development trend of artificial intelligence in petroleum
40、 exploration and developmentJ.Petroleum Exploration and Development,2021,48(1):1-11(in Chinese).10李希元,崔健,胡望水,等.基于多源地球物理数据的机器学习方法在地质体分类中的应用以黑龙江多宝 山 矿 集 区 为 例J.地 球 物 理 学 报,2022,65(9):3634-3649.LI Xiyuan,CUI Jian,HU Wangshui,et al.Application of machine learning method based on multi-source geophysical
41、 data to geological body classification:A case study of Duobaoshan ore concentration area(Heilongjiang,China)J.Chinese Journal of Geophysics,2022,65(9):3634-3649(in Chinese).11胡琪鑫,徐亚.地球物理信号特征识别与解释的机器学习 方 法 及 应 用 综 述J.地 球 物 理 学 进 展,2022,37(6):2395-2407.HU Qixin,XU Ya.Review of machine learning and ap
42、plication of geophysical signal feature recognition and interpretation J.Progress in Geophysics,2022,37(6):2395-2407(in Chinese).12DAHL G E,YU D,DENG L,et al.Context-dependent pre-trained deep neural networks for large-vocabulary speech recognitionJ.Audio,Speech,and Language Processing,IEEE Transact
43、ions on,2012,20(1):30-42.561铀 矿 地 质第 40 卷13ZEN H,SENIORA,SCHUSTERM.Statistical parametric speech synthesis using deep neural networksC/2013 Institute of Electrical and Electronics Engineers international conference on acoustics,speech and signal processing.Vancouver:Institute of Electrical and Elect
44、ronics Engineers,2013:7962-7966.14HINTON G E.A practical guide to training restricted Boltzmann machines J.Momentum,2010,9(1):926.15王昊,严加永,付光明,等.深度学习在地球物理中的应用现状与前景 J.地球物理学进展,2020,35(2):642-655.WANG Hao,YAN Jiayong,FU Guangming,et al.Current status and application prospect of deep learning in geophys
45、icsJ.Progress in Geophysics,2020,35(2):642-655(in Chinese).16王竟仪,王治国,陈宇民,等.深度人工神经网络在地震反演中的应用进展 J.地球物理学进展,2023,38(1):298-320.WANG Jingyi,WANG Zhiguo,CHEN Yumin,et al.Deep artificial neural network in seismic inversionJ.Progress in Geophysics,2023,38(1):298-320(in Chinese).17罗海波,唐延东.“深度学习及其应用”专栏序言 J.红
46、外与激光工程,2018.47(7):8-9.LUO Haibo,TANG Yandong.“Deep learning and its applications”J.Infrared and Laser Engineering,2018,47(7):8-9(in Chinese).18赵明,陈石,DAVE Y.基于深度学习卷积神经网络的地震波形自动分类与识别 J.地球物理学报,2019,62(1):374-382.ZHAO Ming,CHEN Shi,DAVE Y.Waveform classification and seismic recognition by convolution ne
47、ural network J.Chinese Journal of Geophysics,2019,62(1):374-382(in Chinese).19王坤喜,胡天跃,刘小舟,等.基于数据增广训练的深度神经网络方法压制地震多次波 J.地球物理学报,2021,64(11):4196-4214.WANG Kunxi,HU Tianyue,LIU Xiaozhou,et al.Suppressing seismic multiples based on the deep neural network method with data augmentation training J.Chinese
48、 Journal of Geophysics,2021,64(11):4196-4214(in Chinese).20BENGIO Y.Learning deep architectures for AIJ.Foundations and Trends in Machine Learning,2009,2(1):1-127.21ZEILERM D,KRISHNAN D,TAYLORG W,et al.Deconvolutional networks C/Computer Vision and Pattern Recognition(CVPR),2010 IEEE Conference on.P
49、iscataway:IEEE,2010:2528-2535.22黄献通,秦文华,孙建孟.深度学习在石油行业应用前景分析 J.电子技术,2018,47(5):50-53.HUANG Xiantong,QIN Wenhua,SUN Jianmeng.Deep learning in the oil industry application prospect analysisJ.Electronic Technology,2018,47(5):50-53(in Chinese).23LI Y B,HUANG Y X,JIA F W,et al.A gradient deconvolutional n
50、etwork for side-channel attacksJ.Computers and Electrical Engineering,2022,98:107686.24YU K,LIN Y,LAFFETY J.Learning image representations from the pixel level via hierarchical sparse codingC/Computer Vision and Pattern Recognition(CVPR),2011 IEEE Conference on.Piscataway:IEEE,2011:1713-1720.25徐凌宇,张
©2010-2024 宁波自信网络信息技术有限公司 版权所有
客服电话:4008-655-100 投诉/维权电话:4009-655-100