人工智能机器学习 道路曲折前程广阔.docVIP

人工智能机器学习 道路曲折前程广阔? 1? 当前激动人心的人工智能浪潮，是由于机器学习技术的突破推动的。 实际上，人工智能机器学习有过比较曲折的发展历程。图1是截取自北京大学黄铁军教授一次演讲[1]的PPT。注意，图中的道路并非是笔直的，而是曲折的。伊恩?古德费洛等著的《深度学习》一书，也把深度学习的历史追溯到20世纪40-60年代“控制论”和20世纪80-90年代“连接主义和神经网络”的兴起，其间有过低潮和冷清，2006年以“深度学习”的名义复兴。 图1?人工智能潮起潮落（引用黄铁军） 这篇博文以石油物探领域为例，看人工智能机器学习的应用潮起潮落。 机器学习应用于石油物探，是采用监督和无监督学习方法，例如利用神经网络方法，在地质或地球物理数据中识别相似的模式。虽然有许多种不同类型的神经网络，但根据油气勘探问题的类型，可分为两类：其一，分类问题，其二，预测问题。在分类问题中，将输入样本分配给几个输出类中的一个，例如砂岩、页岩和石灰石。在预测问题中，我们给输出样本分配一个特定的值，比如一个孔隙度值。 神经网络也可以通过训练的方式分为两类（图2）：其一，有监督学习方式，其二，无监督学习方式。在有监督学习中，神经网络从训练数据集开始，已经知道训练数据集的输入和输出值。神经网络算法“学习”该训练数据集的输入和输出之间的关系，然后将“学到”的关系应用到预先不知道输出值的数据集。 图2?机器学习 2?回顾 正如伊恩?古德费洛将深度学习的历史追溯到20世纪40-60“控制论”，石油物探计算机应用可以追溯到20世纪50年代初。当时MIT数学系的GAG(地球物理分析小组)研究将控制论的创始人罗伯特?维纳的时间序列分析理论应用于石油勘探地球物理数据分析。 后来在1980年代末，随着连接主义和神经网络的兴起，机器学习在石油物探领域的应用掀起过一阵热潮。那时主要利用神经网络进行地震数据初至波的拾取和道编辑等。在石油勘探地震数据处理中，初至波的拾取和道编辑很费人工。而神经网络是一种数学算法，可以训练解决通常需要人工干预的问题。 这个时期使用的神经网络，是多层感知器（MLP）。多层感知器也称为全连接神经网络，数据从输入层流向输出层，输入层和输出层之间有一个或多个隐层。其训练策略是把输出单元计算的误差作为网络误差，反向传回去，计算出其它层的误差，然后更新权重。可望将多层感知器用于地震解释中的模式识别和分类，那时尽管有过尝试，但并没有很成功的案例。 在油气勘探界，地质家华莱士·普赖特的名言——“最先发现石油的地方，是在人们的大脑里面”影响甚远。传统主义者一直怀疑人工智能系统能够替代人类的大脑。但现在越来越多的人相信：石油是人们的头脑从数据中找到的，人工智能提供了强大的数据解释过程，可以帮助地球科学家找油。地球科学家们已经具备找油的知识储备和经验。当资源变得越来越稀缺，人工智能机器学习系统可以对确定新井位起关键作用，并在使科学家和工程师能够更有效率工作方面发挥着关键作用。 接着经历了一段时间的低潮后，在21世纪初，神经网络在石油物探中的应用发展开始复苏。在过去的十五年中，神经网络在地球物理数据分析中的应用有两个特点：其一，几乎全与地震属性分析有关，包括利用地震属性预测储层性质的有监督神经网络，或预测相分布的无监督方法。图3是多层感知机被用于多属性分析一个示例。其二，使用的算法更多样，包括利用k-均值、k-近邻、自组织映射、生成拓扑映射、支持向量机、近似支持向量机、概率神经网络PNN,?广义回归神经网络GRNN和径向基函数网络RBFN等，成功地提取了多个地质体的地质特征。 图3?多层感知机神经网络 K均值聚类算法是无监督学习，而K近邻算法是监督学习。两者均为最简单的机器学习算法。K均值聚类算法是将给定数据集划分为k个簇的算法。首先，随机生成k个初始点作为质心，将数据集中的数据按照距离质心的远近分到各个簇中。然后，将各个簇中的数据求平均值，作为新的质心。如此重复，直到所有的簇不再改变。K近邻算法也称KNN。给定一个训练数据集，对新的输入实例，KNN在训练数据集中找到与该实例最邻近的K个实例（也就是所谓K个邻居），这K个实例的多数属于某个类，就把该输入实例分类到这个类中。 KNN被用于地震相分析。地震相分析是根据地震和测井资料了解地下构造、岩性变化和储层分布的重要信息的重要方法。该方法对于降低钻井风险和寻找经济圈闭具有重要意义，可用于石油勘探开发的不同阶段。为了应用KNN生成准确的地震相图，从测井曲线和地震资料中提取频率、振幅和相位等地震属性，对相似地震道进行分类。虽然也可以利用非监督方法（如K均值聚类算法）对相似地震道进行分类，建立地震相图，但利用KNN有监督分类方法，对储层和地震相分布的描述精度较高，效率也较高。图4是伊朗某油田碳酸盐岩储层利用KNN分类器地震相