深度学习机器与地球科学

[UltraLAB-gzb]

机器学习
什么是机器学习？
机器学习是人工智能的一种应用，它基于这样的概念：机器应该被赋予数据访问权限并自己学习特定任务，而无需明确编程。机器学习利用从数据中学习和预测的计算系统。在处理大型数据集时，它特别有用，因为它可以检测模式并预测（在某些情况下，推荐）结果。它从数据中学习和构建经验的能力与确定性方法相反，后者需要用户指令和人类知识库。

机器学习与地球科学
范式SeisEarth中的民主神经网络协会

地球科学数据的机器学习应用已经使用了超过25年。随着石油技术数据的大量增长，它们现在已成为一种实际需要。
在可用的计算系统中，受生物神经网络启发的人工神经网络（ANN）是石油和天然气行业最常采用的，用于处理不断增加的地震和井数据量。人工神经网络计算是对适应性节点网络的研究，该网络学习基于数据暴露和经验执行任务，通常不用任何特定于任务的规则编程。它们旨在以与人类大脑类似的方式对信息进行分类。例如，他们可以被教导识别图像并根据它们的不同元素对它们进行分类。

艾默生是实施先进，成熟和可靠的机器学习解决方案的先驱。
我们的基于机器学习的技术能够从大量不同类型的数据中描述地下。这允许用户：

描述并解释现有结果
预测会发生什么
为风险管理和决策提供建议
该策略允许将机器学习和预测分析应用于勘探，现场开发和生产优化。

机器学习方法可分为无监督学习和监督学习。

无监督学习
输入数据未标记（软数据）; 目标是找到数据点中的相似性，以便将类似的数据点组合在一起。通过推导输入数据中存在的结构来准备模型。可以通过数学过程来系统地减少冗余，或者通过相似性来组织数据。一些算法包括聚类，降维和关联规则学习。

艾默生无监督机器学习的例子

自组织映射（SOM） 高斯过程
K-means聚类分析 反向传播神经网络
升序层次聚类 自我成长的神经网络
动态聚类 主成分分析（PCA）
混合分类 基于图形的多分辨率聚类

监督学习

输入数据具有已知标签（硬数据）。通过需要预测的训练过程准备模型，并在这些预测错误时进行校正。训练过程一直持续到模型达到训练数据所需的准确度。问题包括分类和回归。

艾默生监督机器学习的例子

神经网络“集合”或民主神经网络协会（DNNA） 卷积神经网络

深度学习
近年来，数据量和数量的激增，GPU的发展以及硬件价格的下降导致了对高级AI算法的深入研究。已经出现了一种可以处理大数据的新型机器学习技术：深度学习。

深度学习是一类机器学习算法：

使用级联的多层非线性处理单元进行特征提取和转换。每个连续层使用前一层的输出作为输入。
学习监督（例如，分类）和/或无监督（例如，模式分析）方式。
学习与不同抽象级别相对应的多个级别的表示。
艾默生使用机器学习的解决方案
首次采摘地震数据转换滤波器（Echos ）
测井和地震多属性分类（Geolog ， SeisFacies ）
岩石类型分类（SeisEarth ，QSI）
地震多属性分类（SeisFacies ）
叠前地震资料解释
地震相分类（Stratimagic ）
电相分类（Geolog Facimage）
神经网络地震反演（QSI）
不确定性分析和历史匹配（RMS，Tempest ，SKUA-GOCAD ）
测井和地震数据聚类（SKUA-GOCAD）
数据减少（SeisFacies）