英文原版-在石油和天然气勘探中，使用Cray计算机进行机器学习，优化岩石物理工作流程。.pdfVIP

英文文献学习素材 声明：素材来源于互联网公共免费领域，由上传者搜集、整理、编译，旨在帮助科 研领域人士扩展学习途径，丰富科研素材。 中文摘要 在石油和天然气勘探中，使用Cray 计算机进行机器学习，优化岩 石物理工作流程。 石油和天然气行业充斥着地下数据，用于描述海底地层和流体特性。 这反过来又推动了商业决策和勘探，但目前该行业在处理数据时仍然 依赖高度手动工作流程。一个关键问题是，是否可以通过机器学习来 补充油藏物理学家寻找烃类的活动，以改善这种情况。在本文中，我 们介绍了与Rock Solid Images （RSI）合作完成的工作，使用Cray XC30 的监督机器学习来训练模型，以简化手动数据解释过程。具体目 标是将物理解释时间从超过7 天缩短到7 分钟，本文描述了使用原始 井日志数据训练的数学模型，用于完成物理解释工作流程的四个阶段， 以及初步数据清理。我们探索了这些模型的预测与人类油藏物理学家 的解释之间的比较，以及用于优化模型预测的众多选项和技术。现代 超级计算机（如Cray 机器）提供的能力在这里至关重要，但一些流行 的机器学习框架无法充分利用现代HPC 机器。因此，我们还将探索我 们使用的机器学习工具的适用性，并描述我们采取的步骤来解决它们 的局限性。这项工作的结果是，首次能够使用机器学习来完成整个物 理解释工作流程。尽管存在许多挑战、局限性和警告，但我们证明机 器学习在处理地下数据方面发挥着重要作用。 Machine learning on Crays to optimise petrophysical workflows in oil and gas exploration Nick Brown Anna Roubickova Ioanna Lampaki EPCC EPCC EPCC University of Edinburgh University of Edinburgh University of Edinburgh Bayes Building, Edinburgh Bayes Building, Edinburgh Bayes Building, Edinburgh Lucy MacGregor Michelle Ellis Paola Vera de Newton Cognitive Geology Rock Solid Images Rock Solid Images Torphichen Street Houston, Texas Houston, Texas Edinburgh Abstract—The oil and gas industry is awash with sub-surface dramatically reduce time to decision and the quality of the data, which is used to characterize the rock and fluid properties decisions that are made. beneath the seabed. This in turn drives commercial