A zero-training framework for facies classification using transformer-based vector embeddings

doi:10.1016/j.aiig.2026.100216

A zero-training framework for facies classification using transformer-based vector embeddings

2026-06-01

0

PRE

AI

DOI：10.1016/j.aiig.2026.100216

原文链接

原文求助

摘要

En 中文

高效的地下钻探作业需要快速分类变化的岩性和相以选择套管点、调整钻井液和优化地表参数。我们提出了一种零训练框架，将测井测量值转换为简洁的领域特定文本描述，然后使用Transformer模型（OpenAI text-embedding-3-large，256维）将其编码为高维向量表示。通过最大化测试样本与参考嵌入库之间的余弦相似度得分来分类相，在盲井中达到最高66%的分类准确率，并优于经过调优的LightGBM基准，无需基于梯度的学习或Transformer权重更新。该方法可实现低延迟推理和紧凑的参考库，适用于现场部署和简单适应新领域。除钻探外，该方法可推广至任何需要在高维空间中进行快速准确分类的高容量工作流程。

Keyword:

Facies

Lithology

Transformers

Embeddings

Drilling

Classification

Machine learning

A zero-training framework for facies classification using transformer-based vector embeddings

摘要

期刊

机构