-
题名机器学习数据驱动与机理模型融合及可解释性问题
被引量：20
- 1
-
-
作者
肖立志
-
机构
中国石油大学(北京)人工智能学院
中国石油大学(北京)地球物理学院
中国石油大学(北京)非常规油气教育部国际合作联合实验室
-
出处
《石油物探》
CSCD
北大核心
2022年第2期205-212,共8页
-
文摘
回顾了油气人工智能研究进展,分析其面临的一些关键问题。将油气人工智能研究分成两个层级,即学术型油气人工智能研究和工业级油气人工智能研究,两者面临不同的问题和挑战。对于学术型油气人工智能应用场景,主要是关心算法及其相关理论应用,着重于解决智能点的局部问题;对于工业级人工智能应用场景,更多的要关心数据治理、数据集、平台、多源多尺度多模态数据融合建模、数据驱动与机理模型融合建模以及机器学习模型的可解释性等问题。针对数据驱动与机理模型融合问题,提出3种途径,即算法融合、评价方法融合、数据集融合,并给出实验验证。针对油气人工智能模型的可解释性问题,指出工业级油气人工智能必须具有可解释性,并提出初步解决方案,包括建模前、建模中、建模后的多级解释模型。最后,作者认为,探寻工业级人工智能理论和应用场景发展之路,必须厘清人工智能时代“物理世界”、“数字世界”、“人类认知世界”、“机器认知世界”和“机器正在改造的世界”之间的互动关系。
-
关键词
人工智能
机器学习
地球物理勘探
数据驱动
机理模型
融合
可解释性
-
Keywords
artificial intelligence
machine learning
geophysical prospecting
data driven
mechanism model
fusion
explanatory
-
分类号
P631
[天文地球—地质矿产勘探]
-
