پیشرفت‌ها در تحلیل داده‌های زیرسطحی ۲۰۲۲
Advances in Subsurface Data Analytics 2022

پیشرفت‌ها در تحلیل داده‌های زیرسطحی: رویکردهای سنتی و مبتنی بر فیزیک، مبانی الگوریتم‌های یادگیری ماشین (ML) رایج و نوظهور را با کاربردهای آن‌ها در تحلیل زیرسطحی، شامل زمین‌شناسی، ژئوفیزیک، پتروفیزیک و مهندسی مخزن گرد هم می‌آورد.

این کتاب به چهار بخش تقسیم شده است: یادگیری ماشین سنتی، یادگیری عمیق، یادگیری ماشین مبتنی بر فیزیک، و مسیرهای جدید، با سطحی فزاینده از تنوع و پیچیدگی موضوعات. هر فصل بر یک الگوریتم یادگیری ماشین با یک گردش کار مفصل برای یک کاربرد خاص در علوم زمین تمرکز دارد. برخی از فصل‌ها نیز نتایج حاصل از یک الگوریتم را با سایر الگوریتم‌ها مقایسه می‌کنند تا خوانندگان را بهتر با استراتژی‌های مختلف برای پیاده‌سازی گردش کارهای خودکار برای تحلیل زیرسطحی مجهز کنند.

پیشرفت‌ها در تحلیل داده‌های زیرسطحی: رویکردهای سنتی و مبتنی بر فیزیک، به محققان در دانشگاه و متخصصان علوم زمین که بر روی مسائل مربوط به زیرسطح (نفت و گاز، زمین گرمایی، ترسیب کربن و لرزه‌شناسی) در مقیاس‌های مختلف کار می‌کنند، کمک می‌کند تا روندهای فعلی در رویکردهای یادگیری ماشین، کاربردها، پیشرفت‌ها و محدودیت‌ها و پتانسیل‌های آینده در علوم زمین را با گردآوری چندین مشارکت در یک مجلد درک و قدردانی کنند.

* مبانی یادگیری ماشین ساده و الگوریتم‌های یادگیری عمیق و رویکردهای مبتنی بر فیزیک را که توسط متخصصان در دانشگاه و صنعت نوشته شده است، پوشش می‌دهد.
* مطالعات موردی مفصلی از الگوریتم‌های یادگیری ماشین فردی و استراتژی‌های بهینه در مشخصه‌یابی زیرسطحی در سراسر جهان ارائه می‌دهد.
* تحلیلی از روندهای آینده در یادگیری ماشین در علوم زمین ارائه می‌کند.

Advances in Subsurface Data Analytics: Traditional and Physics-Based Approaches brings together the fundamentals of popular and emerging machine learning (ML) algorithms with their applications in subsurface analysis, including geology, geophysics, petrophysics, and reservoir engineering. The book is divided into four parts: traditional ML, deep learning, physics-based ML, and new directions, with an increasing level of diversity and complexity of topics. Each chapter focuses on one ML algorithm with a detailed workflow for a specific application in geosciences. Some chapters also compare the results from an algorithm with others to better equip the readers with different strategies to implement automated workflows for subsurface analysis. Advances in Subsurface Data Analytics: Traditional and Physics-Based Approaches will help researchers in academia and professional geoscientists working on the subsurface-related problems (oil and gas, geothermal, carbon sequestration, and seismology) at different scales to understand and appreciate current trends in ML approaches, their applications, advances and limitations, and future potential in geosciences by bringing together several contributions in a single volume. – Covers fundamentals of simple machine learning and deep learning algorithms, and physics-based approaches written by practitioners in academia and industry – Presents detailed case studies of individual machine learning algorithms and optimal strategies in subsurface characterization around the world – Offers an analysis of future trends in machine learning in geosciences