Trong các lĩnh vực kỹ thuật địa chất và dầu khí - khám phá khí, dự đoán chính xác về độ xốp và tính thấm của đá là vô cùng quan trọng. Hiện tại, học máy đã thể hiện sức mạnh lớn và cung cấp các giải pháp mới cho vấn đề khó khăn này. Nghiên cứu trong bài viết "Dự đoán về độ xốp và sự thay đổi tính thấm dựa trên thuật toán học máy" nhằm mục đích khám phá khả năng áp dụng của các thuật toán học khác - học để dự đoán các thuộc tính đá.
Nghiên cứu đã thực hiện các thử nghiệm và phân tích về hơn 100 mẫu lõi mang muối cho hơn 10 đặc điểm (như nồng độ muối, độ xốp ban đầu và tính thấm, độ sâu mẫu, v.v.), và thiết lập mô hình dự đoán bằng cách kết hợp dữ liệu phân tích lõi thông thường và các thông số địa chất khác. Thí nghiệm sử dụng một loạt các thuật toán học tập, bao gồm hồi quy tuyến tính (với chính quy hóa L1 và L2), cây quyết định, rừng ngẫu nhiên, tăng cường độ dốc, mạng lưới thần kinh và máy vectơ hỗ trợ (SVM), v.v.
Trong số đó, mạng lưới thần kinh hai lớp ẩn đã thực hiện tốt nhất khi dự đoán ba tính chất đá của độ xốp, tính thấm và nồng độ muối, thể hiện đầy đủ khả năng học tập và phù hợp mạnh mẽ của nó. Kết quả nghiên cứu cho thấy có một mối tương quan đáng kể giữa những thay đổi về độ xốp và tính thấm và nồng độ muối. Hồi quy tuyến tính, máy vectơ hỗ trợ và mạng lưới thần kinh hoạt động tốt trong dự đoán độ xốp và tính thấm, với các giá trị R² cao hơn 0. 8, chỉ ra rằng các mô hình này có thể nắm bắt tương đối chính xác các xu hướng thay đổi của độ xốp và độ thấm. Tuy nhiên, mô hình dự đoán về nồng độ muối tương đối yếu, với giá trị R² gần với 0. 66, nhưng vẫn có khả năng dự đoán nhất định.
Kết luận nghiên cứu này nhấn mạnh tầm quan trọng của việc học máy trong kỹ thuật địa chất. Nó làm giảm sự phụ thuộc vào các phân tích trong phòng thí nghiệm đắt tiền và cung cấp một cách hiệu quả để dự đoán các thuộc tính đá khi thiếu dữ liệu thử nghiệm phong phú. Trong tương lai, phạm vi của tập dữ liệu có thể được mở rộng hơn nữa để xác minh tính chính xác của các phương pháp học tập trong các điều kiện địa chất khác nhau.
Đồng thời, các kỹ thuật xử lý trước của máy - học và kỹ thuật xử lý dữ liệu khác có thể được khám phá liên tục để cải thiện hiệu suất của mô hình dự đoán. Với sự phát triển liên tục của công nghệ, học máy sẽ đóng vai trò ngày càng quan trọng trong kỹ thuật địa chất và thăm dò khí đốt, giúp chúng ta hiểu rõ hơn và phát triển các nguồn lực ngầm, khiến dự đoán về độ xốp và tính thấm không còn khó khăn và đưa sức sống mới vào sự phát triển của ngành.