{"title":"机器学习、人工智能(AI)和地下表征:应用、可能性和风险","authors":"Fábio Berton","doi":"10.21712/lajer.2023.v10.n2.p131-139","DOIUrl":null,"url":null,"abstract":"Soluções computacionais baseadas em machine learning e inteligência artificial (IA) têm sido adaptadas para o processamento e interpretação das informações de subsuperfície. Diante do que pode se tornar uma revolução tecnológica, é necessário pensar nos prováveis impactos das novas soluções para as atividades relacionadas à caracterização de reservatórios e sistemas petrolíferos. A IA já prova ter utilidade na indústria de óleo e gás ao lidar com grandes volumes de dados geológicos de padrão homogêneo, poupando o usuário humano de tarefas repetitivas. Essa característica faz com que os programas sejam úteis para o aumento de eficiência e da segurança do trabalho, mas da forma como funcionam atualmente, eles estão longe de serem capazes de lidar com a frequente complexidade geológica que pode representar riscos ou oportunidades em subsuperfície. Nem mesmo os melhores programas de IA são capazes de solucionar problemas inerentes aos dados indiretos, como a baixa resolução sísmica ou a baixa representatividade de poços. Tampouco conseguem encontrar soluções plausíveis para situações geológicas complexas. As novas soluções tecnológicas devem ser vistas como ferramentas para facilitar a vida dos profissionais de subsuperfície. Como qualquer ferramenta, sua existência tem propósitos específicos que não abrangem toda a complexidade dos sistemas geológicos. As interpretações geológicas derivadas de programas baseados em machine learning e IA devem ser avaliadas como aproximações geoestatísticas, não como a representação total da realidade construída a partir de múltiplos processos naturais. Essa característica faz com que os profissionais das geociências sigam sendo essenciais para aplicar as ferramentas de IA corretamente e filtrar as informações produzidas por elas.","PeriodicalId":282660,"journal":{"name":"Latin American Journal of Energy Research","volume":"5082 5 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-08-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Machine learning, inteligência artificial (IA), e a caracterização da subsuperfície: aplicações, possibilidades e riscos\",\"authors\":\"Fábio Berton\",\"doi\":\"10.21712/lajer.2023.v10.n2.p131-139\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Soluções computacionais baseadas em machine learning e inteligência artificial (IA) têm sido adaptadas para o processamento e interpretação das informações de subsuperfície. Diante do que pode se tornar uma revolução tecnológica, é necessário pensar nos prováveis impactos das novas soluções para as atividades relacionadas à caracterização de reservatórios e sistemas petrolíferos. A IA já prova ter utilidade na indústria de óleo e gás ao lidar com grandes volumes de dados geológicos de padrão homogêneo, poupando o usuário humano de tarefas repetitivas. Essa característica faz com que os programas sejam úteis para o aumento de eficiência e da segurança do trabalho, mas da forma como funcionam atualmente, eles estão longe de serem capazes de lidar com a frequente complexidade geológica que pode representar riscos ou oportunidades em subsuperfície. Nem mesmo os melhores programas de IA são capazes de solucionar problemas inerentes aos dados indiretos, como a baixa resolução sísmica ou a baixa representatividade de poços. Tampouco conseguem encontrar soluções plausíveis para situações geológicas complexas. As novas soluções tecnológicas devem ser vistas como ferramentas para facilitar a vida dos profissionais de subsuperfície. Como qualquer ferramenta, sua existência tem propósitos específicos que não abrangem toda a complexidade dos sistemas geológicos. As interpretações geológicas derivadas de programas baseados em machine learning e IA devem ser avaliadas como aproximações geoestatísticas, não como a representação total da realidade construída a partir de múltiplos processos naturais. Essa característica faz com que os profissionais das geociências sigam sendo essenciais para aplicar as ferramentas de IA corretamente e filtrar as informações produzidas por elas.\",\"PeriodicalId\":282660,\"journal\":{\"name\":\"Latin American Journal of Energy Research\",\"volume\":\"5082 5 1\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-08-11\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Latin American Journal of Energy Research\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.21712/lajer.2023.v10.n2.p131-139\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Latin American Journal of Energy Research","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21712/lajer.2023.v10.n2.p131-139","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Machine learning, inteligência artificial (IA), e a caracterização da subsuperfície: aplicações, possibilidades e riscos
Soluções computacionais baseadas em machine learning e inteligência artificial (IA) têm sido adaptadas para o processamento e interpretação das informações de subsuperfície. Diante do que pode se tornar uma revolução tecnológica, é necessário pensar nos prováveis impactos das novas soluções para as atividades relacionadas à caracterização de reservatórios e sistemas petrolíferos. A IA já prova ter utilidade na indústria de óleo e gás ao lidar com grandes volumes de dados geológicos de padrão homogêneo, poupando o usuário humano de tarefas repetitivas. Essa característica faz com que os programas sejam úteis para o aumento de eficiência e da segurança do trabalho, mas da forma como funcionam atualmente, eles estão longe de serem capazes de lidar com a frequente complexidade geológica que pode representar riscos ou oportunidades em subsuperfície. Nem mesmo os melhores programas de IA são capazes de solucionar problemas inerentes aos dados indiretos, como a baixa resolução sísmica ou a baixa representatividade de poços. Tampouco conseguem encontrar soluções plausíveis para situações geológicas complexas. As novas soluções tecnológicas devem ser vistas como ferramentas para facilitar a vida dos profissionais de subsuperfície. Como qualquer ferramenta, sua existência tem propósitos específicos que não abrangem toda a complexidade dos sistemas geológicos. As interpretações geológicas derivadas de programas baseados em machine learning e IA devem ser avaliadas como aproximações geoestatísticas, não como a representação total da realidade construída a partir de múltiplos processos naturais. Essa característica faz com que os profissionais das geociências sigam sendo essenciais para aplicar as ferramentas de IA corretamente e filtrar as informações produzidas por elas.