【儀表網 儀表研發】人工智能地質大數據分析是新興交叉學科，其核心是在物理規律約束下，通過建立數學模型，采用數據科學方法，分析和挖掘有價值的核心信息及關鍵證據，以解決地質學的認知、發現、決策及評價等理論和地質資源探測中的實際問題。
 

　　深地非常規資源鉆探地質風險的鉆前預測是一個難題，其中，鉆井井壁失穩是鉆探地質與工程風險的核心關注點之一。實現鉆前合理預測并管控、規避鉆井井壁失穩地質風險、從被動應對向主動預防 (如優化開發部署方案)轉變，對成功且低成本地開發復雜非常規資源具有重要意義。由于非常規資源地質因素較復雜，常規基于合理假設的模型方法難以描述其復雜地質的風險。常規的基于純數據驅動的機器學習方法在科學問題推理中對訓練數據的擬合較好，但存在對未知數據解釋能力欠佳、缺乏物理規律一致性的問題。
 

　　中國科學院地質與地球物理研究所博士后耿智與合作導師、研究員王彥飛提出了一種引入地質力學信息約束的基于地震數據預測鉆探井壁失穩地質風險的深度學習方法。研究人員從第一性原理思考，假設地層巖石是近似彈性且無顯著異常孔隙流體壓力，則可將井周巖石力學方程簡化，推導建立以孔隙度和井深為變量的物理約束正則項，加入訓練深度學習模型的目標函數中；實現基于物理機制約束深度學習模型解空間，提高對未知數據推理解釋能力的目標。該方法將已鉆井的測井數據(中子孔隙度、垂深)作為上述物理約束正則項的輸入，結合已鉆井井周的勘探地震數據隱特征與井壁坍塌位置數據，通過深度學習技術，可提升在未鉆井地區僅利用勘探地震數據預測井壁失穩地質風險的預測準確性。
 

　　實例分析表明，與常規的僅基于標簽數據的機器學習方法相比，該方法的預測準確性相對提高約11.5%。該研究方法無需人工額外加注(解釋)標簽，可直接利用已有的海量測量數據(勘探地震、測井)，將已鉆井數據與地質力學機制作為先驗約束信息，提升鉆前地質風險預測能力，合理優化鉆探布井方案等，降低深地非常規資源勘探鉆探風險與成本。
 

　　相關研究成果以Physics-guided deep learning for predicting geological drilling risk of wellbore instability using seismic attributes data為題，發表在Engineering Geology上。研究工作得到國家重點研發計劃項目、中科院“從0到1”原始創新項目、地質地球所重點部署項目的支持。