Bala bantuan positif membantu algoritma memperkirakan cagar alam bawah tanah
Spotlight

Bala bantuan positif membantu algoritma memperkirakan cagar alam bawah tanah


Kredit: Pixabay / CC0 Domain Publik

Peneliti Texas A&M University telah merancang algoritme berbasis penguatan yang mengotomatiskan proses prediksi properti lingkungan bawah tanah, memfasilitasi perkiraan akurat cadangan minyak dan gas.

Di dalam kerak bumi, lapisan batuan menyimpan banyak sekali reservoir air tanah, minyak, dan gas alam. Sekarang, menggunakan pembelajaran mesin, para peneliti di Texas A&M University telah mengembangkan algoritme yang mengotomatiskan proses penentuan fitur utama lingkungan bawah tanah Bumi. Mereka mengatakan penelitian ini mungkin membantu peramalan cadangan alam kita secara akurat.

Secara khusus, algoritme peneliti dirancang berdasarkan prinsip penguatan atau pembelajaran penghargaan. Di sini, algoritme komputer menyatu pada deskripsi yang benar tentang lingkungan bawah tanah berdasarkan imbalan yang diperolehnya untuk membuat prediksi yang benar tentang tekanan dan aliran yang diharapkan dari lubang bor.

“Sistem bawah permukaan yang biasanya satu mil di bawah kaki kita benar-benar buram. Pada kedalaman itu kita tidak dapat melihat apa pun dan harus menggunakan instrumen untuk mengukur kuantitas, seperti tekanan dan laju aliran,” kata Siddharth Misra, profesor di Harold Vance Department. Teknik Perminyakan dan Departemen Geologi dan Geofisika. “Meskipun studi saya saat ini adalah langkah pertama, tujuan saya adalah memiliki cara yang sepenuhnya otomatis dalam menggunakan informasi tersebut untuk secara akurat mengkarakterisasi sifat-sifat bawah permukaan.”

Algoritme tersebut dijelaskan dalam jurnal edisi Desember Energi Terapan.

Simulasi geologi lingkungan bawah tanah dapat sangat memudahkan prakiraan cadangan minyak dan gas, memprediksi sistem air tanah dan mengantisipasi bahaya seismik. Bergantung pada aplikasi yang dimaksudkan, lubang bor berfungsi sebagai lokasi keluar minyak, gas dan air atau lokasi masuknya karbon dioksida atmosfer berlebih yang perlu terperangkap di bawah tanah.

Sepanjang lubang bor, operator pengeboran dapat memastikan tekanan dan laju aliran cairan atau gas dengan menempatkan sensor. Secara konvensional, pengukuran sensor ini dicolokkan ke dalam formulasi matematika yang rumit, atau model reservoir, yang memprediksi sifat bawah permukaan seperti porositas dan permeabilitas batuan.

Tetapi model reservoir secara matematis rumit, membutuhkan campur tangan manusia yang ekstensif, dan terkadang, bahkan memberikan gambaran yang salah tentang geologi bawah tanah. Misra mengatakan telah ada upaya berkelanjutan untuk membangun algoritme yang bebas dari keterlibatan manusia namun akurat.

Untuk studinya, Misra dan timnya memilih jenis algoritma pembelajaran mesin berdasarkan konsep pembelajaran penguatan. Sederhananya, perangkat lunak belajar membuat serangkaian keputusan berdasarkan umpan balik dari lingkungan komputasinya.

“Bayangkan seekor burung di dalam sangkar. Burung itu akan berinteraksi dengan batas sangkar di mana ia bisa duduk atau berayun atau di mana ada makanan dan air. Ia terus mendapat umpan balik dari lingkungannya, yang membantunya menentukan tempat di dalam sangkar itu. lebih suka pada waktu tertentu, “kata Misra. “Algoritma yang didasarkan pada pembelajaran penguatan didasarkan pada ide yang serupa. Mereka juga berinteraksi dengan lingkungan, tetapi itu adalah lingkungan komputasi, untuk mencapai keputusan atau solusi untuk masalah tertentu.”

Jadi, algoritme ini diberi imbalan untuk prediksi yang menguntungkan dan dikenai sanksi untuk prediksi yang tidak menguntungkan. Seiring waktu, algoritme berbasis penguatan sampai pada solusi yang tepat dengan memaksimalkan imbalan yang diperoleh.

Keuntungan teknis lain dari algoritma berbasis penguatan adalah bahwa mereka tidak membuat praduga tentang pola data. Sebagai contoh, algoritma Misra tidak mengasumsikan bahwa tekanan yang diukur pada waktu dan kedalaman tertentu terkait dengan tekanan pada kedalaman yang sama di masa lalu. Properti ini membuat algoritmanya tidak terlalu bias, sehingga mengurangi kemungkinan kesalahan dalam memprediksi lingkungan bawah tanah.

Saat dimulai, algoritme Misra dimulai dengan menebak nilai porositas dan permeabilitas batuan di bawah permukaan secara acak. Berdasarkan nilai-nilai ini, algoritme menghitung laju aliran dan tekanan yang diharapkan dari lubang bor. Jika nilai ini tidak cocok dengan nilai aktual yang diperoleh dari pengukuran lapangan, yang juga dikenal sebagai data historis, algoritme akan dikenai sanksi. Akibatnya, ia dipaksa untuk mengoreksi tebakan berikutnya untuk porositas dan permeabilitas. Namun, jika tebakannya agak benar, algoritme diberi hadiah dan membuat tebakan lebih lanjut di sepanjang arah itu.

Para peneliti menemukan bahwa dalam 10 iterasi pembelajaran penguatan, algoritme dapat dengan benar dan sangat cepat memprediksi properti skenario bawah permukaan sederhana.

Misra mencatat bahwa meskipun simulasi bawah permukaan dalam penelitian mereka sederhana, pekerjaan mereka masih merupakan bukti konsep bahwa algoritma penguatan dapat digunakan dengan sukses dalam prediksi properti reservoir otomatis, juga disebut sebagai pencocokan riwayat otomatis.

“Sistem bawah permukaan dapat memiliki 10 atau 20 lubang bor yang tersebar dalam radius dua hingga lima mil. Jika kita memahami bawah permukaan dengan jelas, kita dapat merencanakan dan memprediksi banyak hal sebelumnya, misalnya, kita dapat mengantisipasi bawah permukaan. lingkungan jika kita masuk sedikit lebih dalam atau laju aliran gas di kedalaman itu, “kata Misra. “Dalam studi ini, kami telah mengubah pencocokan riwayat menjadi masalah pengambilan keputusan yang berurutan, yang berpotensi mengurangi upaya para insinyur, mengurangi bias manusia, dan menghilangkan kebutuhan kumpulan besar data pelatihan berlabel.”

Dia mengatakan pekerjaan masa depan akan fokus pada simulasi reservoir yang lebih kompleks dan meningkatkan efisiensi komputasi algoritme.


Sistem pankreas buatan ditingkatkan dengan algoritma AI


Informasi lebih lanjut:
Hao Li et al, Pencocokan riwayat otomatis berbasis pembelajaran penguatan untuk perkiraan produksi hidrokarbon yang lebih baik, Energi Terapan (2020). DOI: 10.1016 / j.apenergy.2020.116311

Disediakan oleh Texas A&M University

Kutipan: Bala bantuan positif membantu algoritme memperkirakan cagar alam bawah tanah (2021, 23 Februari) diakses pada 23 Februari 2021 dari https://techxplore.com/news/2021-02-positive-algorithm-underground-natural-reserves.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Pengeluaran SGP Hari Ini