SPWLA培训通告--测井深度自动匹配的机器学习框架
主讲人：Lin Liang – 斯伦贝谢
主讲人简介：Lin Liang，美国马萨诸塞州剑桥市斯伦贝谢Doll Research科学顾问，2002年获北京大学环境科学博士学位。他的研究兴趣包括多物理多尺度测量数据的综合解释和反演，及其在地层评估和储层表征中的应用，涉及电磁，地震，地层测试，生产数据，密度，声波，介电，核磁共振等多种数据。Lin Liang的最新兴趣是利用机器学习技术辅助实现测井解释和地质建模的自动化。他是SPWLA，SEG，SPE的成员。
研讨会摘要：针对从一口井的多个测井通道获得的测井曲线进行深度匹配一直是行业的长期挑战。商业平台中采用的现有方法通常基于两个信号的经典互相关和协方差度量，然后进行手动调整。这些解决方案无法满足不断增长的需求，即以最大限度地减少用户干预以进行自动数据解释。我们的目标是开发一个健壮的全自动伽马射线测井曲线深度匹配算法和工作流程，深度匹配后的伽马射线测井曲线通常用作代理以匹配同一井内多个测井通道中测量的其他测井曲线深度。这是通过一个全连接神经网络的有监督的机器学习方法来实现的。训练数据集是通过手工标注一组有限的现场数据而获得的。由于在有限的人工标注数据下期望初始训练得到一个完美的模型是不现实的，我们开发了一个连续自演化的深度匹配框架。在深度匹配服务的使用过程中，该框架可以利用用户的输入和反馈进一步训练和改进深度匹配引擎。自动质量控制模块有助于实现这一点，为此，我们结合一些不同的算法开发了一个专用的度量。我们使用此度量来评估深度匹配引擎返回结果的质量。如果某些区间深度匹配引擎预测的结果不理想，用户可以查看结果并进行手动调整。这些手动调整被发送回数据库，框架基于更新后的数据库重新训练机器学习模型。新训练的模型可以使用开发的度量系统进行验证以及将其与现有模型比较。增强的模型被提交到作为服务一部分的模型池中。随着用户对深度匹配服务的不断使用，深度匹配框架的性能将不断提高，最终形成一个最优的、全自动的深度匹配工作流。所开发框架的一个关键方面是其泛化潜力。因为它与信号类型无关，可以很容易地扩展到其他测井曲线类型，特别是当它们之间的相关性不明显时，前提是有足够大的标记数据可用。该框架已经原型化，并在现场数据上进行了测试。
请通过MEMBERSHIP@SPWLA.ORG电子邮件中的链接注册一个符合您日程安排的网络研讨会。该网络研讨会有两个时间可以选择：
晚上-美国中部时间12月12日，星期四，晚上8点至晚上9点。
上午-美国中部时间12月13日，星期五，上午8点至上午9点；
完成网络研讨会注册所需步骤：
1、使用SPWLA注册页完成结帐（费用：当前会员免费，非会员25美元）
2、回复来自membership@spwla.org的第二封电子邮件，并附上完成网络研讨会注册的链接。此步骤是查看网络研讨会所必需的。