مهندسی یادگیری ماشین و فناوری هوش مصنوعی


فناوری
فناوری

تجزیه و تحلیل داده های نفتی یک کاربرد مهندسی جامع از علم داده در مشکلات مربوط به مهندسی نفت است. کاربرد مهندسی یادگیری ماشین و علم داده به عنوان استفاده از هوش مصنوعی و یادگیری ماشین برای مدل سازی پدیده های فیزیکی صرفاً مبتنی بر حقایق (به عنوان مثال ، اندازه گیری های میدانی و داده ها) تعریف می شود. هدف اصلی این فناوری اجتناب کامل از فرضیات ، ساده سازی ها ، تصورات از پیش تصور شده و تعصبات است.


یکی از مهمترین ویژگیهای تجزیه و تحلیل داده های نفتی ، استفاده از هوش مصنوعی قابل تبیین (XAI) است. در حالی که از اندازه گیری های درست به عنوان عناصر اصلی ساخت مدل سازی پدیده های فیزیکی استفاده می شود ، تجزیه و تحلیل داده های نفتی انواع مختلفی از الگوریتم های یادگیری ماشین را شامل می شود ، از جمله شبکه های عصبی مصنوعی ، تئوری مجموعه های فازی و محاسبات تکاملی. مدل های پیش بینی کننده تجزیه و تحلیل داده های نفتی (مدل های پیش بینی داده محور) از طریق رفتار جعبه سیاه غیرقابل توصیف نشان داده نمی شوند. مدل های پیش بینی کننده تجزیه و تحلیل داده های نفتی به طور منطقی قابل توضیح هستند.


در اوایل دهه 1990 ، زمانی که از هوش مصنوعی و یادگیری ماشین برای حل مشکلات مربوط به مهندسی استفاده می شود ، مهندسان و دانشمندان س askingال کردند که چگونه این فناوری به اهداف پیش بینی خود می رسد. آنچه اخیراً به عنوان XAI برای کاربرد غیر مهندسی هوش مصنوعی و یادگیری ماشین مورد استفاده قرار گرفته است ، در زمینه کاربرد مهندسی این فناوری چیز جدیدی نیست. دلیل اصلی این واقعیت که کاربرد مهندسی هوش مصنوعی و یادگیری ماشین ، تا حدود زیادی کاملاً قابل توضیح است ، مربوط به مشکلات تاریخی استفاده از آمار سنتی در حل مسائل مربوط به مهندسی است.


در حالی که راه حل های اصلی آمار سنتی مربوط به شناسایی همبستگی در داده ها است ، مهندسان و دانشمندان همیشه به عللی علاقه مند هستند که توانایی توضیح همبستگی ها را دارند. این همیشه یکی از اصلی ترین مشکلات مرتبط با استفاده از آمار سنتی برای حل مشکلات بوده است. بسیاری از راه حلهای داده محور هنوز به عنوان راه حلهای "جعبه سیاه" شناخته می شوند. کاربرد مهندسی هوش مصنوعی و یادگیری ماشین راه حل های جعبه سیاه ایجاد نمی کند.


س Quesالات مهندسان و دانشمندان در اوایل سال 2000 باعث تلاش برای تحقیق و توسعه شد و نتیجه آن چیزی بود که امروزه XAI نامیده می شود. در این مقاله ، تاریخچه آنچه امروزه XAI نامیده می شود از طریق هفت مقاله فنی در صنعت نفت و گاز نشان داده شده است که بین سالهای 2001 تا 2010 منتشر شده است.


از نظر تاریخی ، قبل از توسعه هوش مصنوعی و یادگیری ماشین ، از آمار سنتی برای تجزیه و تحلیل داده ها استفاده می شد. نقش عمده آماری سنتی تعیین فرضیه هایی است که بتواند متناسب با داده های جمع آوری شده باشد. بنابراین ، کلیدی که در پشت آمارهای سنتی وجود دارد ، همبستگی است ، در حالی که مهندسان و دانشمندان همیشه به علت گرایی علاقه مند بوده اند. این یک واقعیت کاملاً اثبات شده است که همبستگی لزوماً علیت را تعیین یا نشان نمی دهد. انجیر. 1 و 2 مثالهای خوبی هستند که نشان می دهد همبستگی هیچ ارتباطی با علیت ندارد. این ارقام نشان می دهد که چگونه داده های جمع آوری شده برای متغیرهای مختلف می توانند همبستگی داشته باشند در حالی که هیچ ارتباطی با یکدیگر ندارند. مثالهای جالب توجه از این رویکردها (همبستگی در مقابل علیت) به همان اندازه صادق هستند که هوش مصنوعی و یادگیری ماشین در صنعت نفت و گاز توسط افرادی که تخصص تخصصی در حوزه مهندسی نفت ندارند استفاده شده است.