Au cœur du processus de formation de modèles basés sur les données se trouve l'utilisation d'une fonction de perte, qui calcule la disparité entre la sortie du modèle et les résultats cibles souhaités (étiquettes). L'optimiseur ajuste ensuite les paramètres du modèle en fonction de la fonction de perte pour minimiser la différence entre la sortie et les étiquettes.

Parallèlement, la diagraphie géophysique implique une richesse de connaissances du domaine, de modèles mathématiques et de modèles physiques. Le recours uniquement à des modèles fondés sur des données peut parfois donner des résultats qui contredisent les connaissances établies. De plus, les données d'entraînement avec une distribution inégale et des étiquettes subjectives peuvent également avoir un impact sur les performances des modèles basés sur les données.

Une étude récente publiée dans Artificial Intelligence in Geoscience a signalé la mise en œuvre de contraintes sur la formation de modèles d'apprentissage automatique basés sur les données utilisant des fonctions de réponse de journalisation dans des tâches de prédiction des paramètres de réservoir de diagraphie de puits.

"Notre modèle, appelé Petrophysics Informed Neural Network (PINN), intègre les contraintes pétrophysiques dans la fonction de perte pour guider la formation", explique le premier auteur de l'étude, Rongbo Shao, titulaire d'un doctorat. candidat de l’Université chinoise du pétrole de Pékin. "Lors de l'entraînement du modèle, si le résultat du modèle diffère des connaissances pétrophysiques, la fonction de perte est pénalisée par les contraintes pétrophysiques. Cela rapproche le résultat de la valeur théorique et réduit l'impact des erreurs d'étiquetage sur l'entraînement du modèle."

De plus, cette approche aide à discerner les relations correctes à partir des données d'entraînement, en particulier lorsqu'il s'agit d'échantillons de petite taille.

"Nous introduisons des poids d'erreur admissibles et de contraintes pétrophysiques pour rendre plus flexible l'influence des modèles de mécanismes dans le modèle d'apprentissage automatique", explique Shao. "Nous avons évalué la capacité du modèle PINN à prédire les paramètres du réservoir à l'aide de données mesurées."

Shao et ses collègues ont constaté que le modèle présentait une précision et une robustesse améliorées par rapport aux modèles purement basés sur les données. Néanmoins, les chercheurs ont noté que la sélection des poids de contrainte pétrophysique et de l'erreur admissible reste subjective, nécessitant donc une exploration plus approfondie.

L'auteur correspondant, le professeur Lizhi Xiao de l'Université chinoise du pétrole, souligne l'importance de cette recherche :« L'intégration de modèles d'IA basés sur les données avec des modèles de mécanismes basés sur la connaissance est un domaine de recherche prometteur. Le succès du modèle PINN dans la diagraphie des puits est un pas en avant significatif. pour les géosciences dans cette direction."

Xiao souligne la nécessité d'un perfectionnement continu :« La sélection des poids de contrainte pétrophysiques et de l'erreur admissible, ainsi que l'adaptabilité des connaissances du domaine à différentes strates géologiques, présentent des défis permanents. De plus, la qualité des ensembles de données est cruciale pour l'application de l'IA dans des données de diagraphie géophysique complètes et accessibles au public, de haute qualité et en quantité, sont nécessaires."