Oct, 2022

GeoThermalCloud: 地热资源探测的机器学习

PDF
TL;DR本研究提出了一种基于机器学习的地热勘探方法，利用无监督、监督和物理学相关的算法，结合开源平台 GeoThermalCloud，提高资源发现的效率并发掘了隐藏的地热系统，发现通常在传统勘探中被忽略的关键地热指标，对于促进现有数据的提升以及提取有价值的信息具有重要意义。
发现论文，激发创造
  • 大规模地质碳和能源储存的高效机器学习代理

    通过专门的机器学习模型和领域分解，该研究提出了一种减少大规模地质储存成本的方法，以增强机器学习在地质碳储存中的效率。

    Oct, 2023

  • GFM4MPM：面向矿产潜力地图的地理空间基础模型

    研究了使用无标签地理空间数据的自监督方式进行预训练，以实现对矿产潜力的预测，并采用可解释的人工智能技术解释预测结果。

    Jun, 2024

  • 哥伦比亚地热梯度预测：机器学习方法

    使用监督机器学习和可用的直接测量结果预测地热梯度，并得到 12％精度内的准确预测，验证了模型的可靠性，并呈现了哥伦比亚的地热梯度地图。

    Apr, 2024

  • 使用机器学习方法对复杂油藏进行早期地质勘探中的海陆数据进行专家独立的解释

    该研究旨在开发并应用一种自主方法，预测研究区域油气藏扩散的概率。该方法基于 3D 地震勘探数据和地质信息，实现了对地质地球物理数据的专家独立概括，并利用该概括通过假设检验和生成地质模型。

    Apr, 2023

  • 人工智能增强的数据同化与不确定性量化在地质碳储存中的应用

    研究使用机器学习和数据同化技术，利用替代模型对地质碳储存项目进行集成，并在保持高保真度的情况下得到后验状态的结果。结果表明，利用机器学习模型进行数据同化可以显著提高标准 ESMDA 过程的速度，并且使用替代模型实现的随机最大似然方法在确定性建模和不确定性量化方面优于传统的 ESMDA 方法。

    Feb, 2024

  • 地下能源系统中受物理启发的机器学习应用的批判性评论

    机器学习在计算机视觉、自然语言处理和语音识别等各个领域中被证明是一种强大的工具，然而，结合深度学习和物理学原理的物理约束机器学习技术的应用在地下能源系统产业，特别是在石油和天然气行业中展现了巨大的潜力，能提供更准确可靠的资源管理和运营效率的预测。

    Aug, 2023

  • 一种基于物理约束的机器学习方法，用于映射无缝陆地温度

    提出了一种物理约束的机器学习模型，结合了机理模型和机器学习模型的优势，在不使用地面气象站数据的情况下提高了陆表温度的预测精度和物理可解释性，能够从理论和经验上推导，并在地理要素估计中提供洞见。

    Jul, 2023

  • 利用机器学习增强岩石物理研究：异质储层渗透率预测现场案例研究

    使用人工神经网络、随机森林分类器和支持向量机等三种模型，以预测渗透率为主要目标，比较了三种机器学习算法的有效性，并利用 FZI 岩性分类技术对影响油藏质量的因素进行了分析，表明 FZI 模型和机器学习算法在预测渗透率和提高油藏性能方面具有一定的实际应用价值。

    May, 2023

  • 基于物理优化的 TinyML 技术实时检测地面磁异常

    该研究开发了一个基于物理引导的 TinyML 框架，通过集成物理模型训练和压缩的方法，提高了实时空间天气预测中磁变扰动预测的准确性和可靠性，并与传统方法进行了综合比较分析。

    Nov, 2023

  • 物理引导下的地球物理监测生成式人工智能工具包

    借助物理原理指导的扩散模型，引入 EdGeo 工具包生成高保真速度图，用于微调精简机器学习模型；实验证明，使用 EdGeo 生成的数据进行微调可获得优质速度图，尤其适合表示特殊特征，优于其他现有方法。

    Jan, 2024