Centrale nel processo di addestramento dei modelli basati sui dati è l'utilizzo di una funzione di perdita, che calcola la disparità tra l'output del modello e i risultati target desiderati (etichette). L'ottimizzatore regola quindi i parametri del modello in base alla funzione di perdita per ridurre al minimo la differenza tra l'output e le etichette.

Nel frattempo, la registrazione geofisica implica una vasta conoscenza del dominio, modelli matematici e modelli fisici. Affidarsi esclusivamente a modelli basati sui dati può talvolta produrre risultati che contraddicono le conoscenze consolidate. Inoltre, anche i dati di addestramento con distribuzione non uniforme ed etichette soggettive possono influire sulle prestazioni dei modelli basati sui dati.

Un recente studio pubblicato su Artificial Intelligence in Geoscience ha segnalato l'implementazione di vincoli sull'addestramento di modelli di apprendimento automatico basati sui dati utilizzando funzioni di risposta di registrazione in attività di previsione dei parametri del giacimento con registrazione dei pozzi.

"Il nostro modello, chiamato Petrophysicals Informed Neural Network (PINN), integra i vincoli petrofisici nella funzione di perdita per guidare l'addestramento", afferma il primo autore dello studio, Rongbo Shao, Ph.D. candidato dell'Università cinese del petrolio di Pechino. "Durante l'addestramento del modello, se l'output del modello differisce dalle conoscenze petrofisiche, la funzione di perdita è penalizzata dai vincoli petrofisici. Ciò avvicina l'output al valore teorico e riduce l'impatto degli errori di etichettatura sull'addestramento del modello."

Inoltre, questo approccio aiuta a discernere le relazioni corrette dai dati di addestramento, in particolare quando si ha a che fare con campioni di piccole dimensioni.

"Introduciamo errori consentiti e pesi dei vincoli petrofisici per rendere più flessibile l'influenza dei modelli dei meccanismi nel modello di apprendimento automatico", spiega Shao. "Abbiamo valutato la capacità del modello PINN di prevedere i parametri del giacimento utilizzando i dati misurati."

Shao e i suoi colleghi hanno scoperto che il modello ha migliorato l’accuratezza e la robustezza rispetto ai modelli puramente basati sui dati. Ciononostante, i ricercatori hanno notato che la selezione dei pesi dei vincoli petrofisici e dell'errore consentito rimane soggettiva, richiedendo quindi ulteriori approfondimenti.

L'autore corrispondente, il professor Lizhi Xiao della China University of Petroleum, sottolinea l'importanza di questa ricerca:"L'integrazione di modelli di intelligenza artificiale basati sui dati con modelli di meccanismi basati sulla conoscenza è un'area di ricerca promettente. Il successo del modello PINN nella registrazione dei pozzi è un significativo passo avanti per la geoscienza in questa direzione."

Xiao sottolinea la necessità di un perfezionamento continuo:"La selezione dei pesi dei vincoli petrofisici e dell'errore ammissibile, nonché l'adattabilità della conoscenza del dominio ai diversi strati geologici, presentano sfide continue. Inoltre, la qualità dei set di dati è cruciale per l'applicazione dell'intelligenza artificiale in registrazione geofisica. Sono necessari set di dati di registrazione dei pozzi completi e disponibili al pubblico di alta qualità e quantità."