典型文献
机器学习数据驱动与机理模型融合及可解释性问题
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
肖立志
作者机构：
中国石油大学(北京)人工智能学院,北京102249;中国石油大学(北京)地球物理学院,北京102249;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,北京102249
文献出处：
引用格式：
[1]肖立志-.机器学习数据驱动与机理模型融合及可解释性问题)[J].石油物探,2022(02):205-212
A类：
B类：
学习数据,机理模型,模型融合,可解释性,气人,学术型,人工智能应用,心算,理论应用,着重于,心数,数据治理,多模态数据融合,融合建模,机器学习模型,融合问题,算法融合,方法融合,人工智能模型,出工,初步解决,解释模型,清人,人工智能时代,物理世界,数字世界,地球物理勘探
AB值：
0.268095
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
