ਲਾਭ:
- AI ਨਾਲ ਪੋਰੋਸਿਟੀ, ਪਾਰਗਮਤਾ ਅਤੇ ਸਰੋਵਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਵਰਕਫਲੋ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਲੌਗ ਵਿਆਖਿਆ, ਫੇਸ ਵਰਗੀਕਰਣ ਅਤੇ ਉਤਪਾਦਨ ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ ਸਥਿਤੀ ਦੇਣ ਦੀ ਸਮਰੱਥਾ
- ਭੌਤਿਕ ਸੀਮਾਵਾਂ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਂਚ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਸਰੋਵਰ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਤੇਲ ਜਾਂ ਗੈਸ ਦਾ ਭੰਡਾਰ ਸਤ੍ਹਾ ਤੋਂ ਮੀਲ ਹੇਠਾਂ, ਖੁਰਲੀ ਚੱਟਾਨ ਵਿੱਚ ਫਸੇ ਤਰਲ ਪਦਾਰਥਾਂ ਦਾ ਇੱਕ ਅਦਿੱਖ ਖਜ਼ਾਨਾ ਹੈ। ਅਸੀਂ ਇਸਨੂੰ ਸਿੱਧੇ ਨਹੀਂ ਦੇਖ ਸਕਦੇ; ਅਸੀਂ ਖੂਹਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਹੋਣ ਵਾਲੇ ਲੌਗਸ, ਕੋਰ, ਭੂਚਾਲ ਦੇ ਪਰਛਾਵੇਂ ਅਤੇ ਉਤਪਾਦਨ ਡੇਟਾ ਦੇ ਨਾਲ ਇਸਨੂੰ "ਪੜ੍ਹਦੇ" ਹਾਂ। ਭੰਡਾਰ ਵਿਸ਼ੇਸ਼ਤਾ ਇਹਨਾਂ ਅਸਿੱਧੇ ਮਾਪਾਂ ਤੋਂ ਪੁਨਰਗਠਨ ਕਰਨ ਦਾ ਕੰਮ ਹੈ ਕਿ ਚੱਟਾਨ ਵਿੱਚ ਕਿੰਨਾ ਤਰਲ ਪਦਾਰਥ ਹੈ (ਪੋਰੋਸਿਟੀ), ਕਿੰਨੀ ਆਸਾਨੀ ਨਾਲ ਇਹ ਤਰਲ (ਪਾਰਗਮਾਈਤਾ) ਛੱਡਦਾ ਹੈ, ਅਤੇ ਭੰਡਾਰ ਕਿਸ ਕਿਸਮ ਦੀ ਤਿੰਨ-ਅਯਾਮੀ ਬਣਤਰ ਹੈ। AI ਇਸ ਖੇਤਰ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ: ਖੂਹ ਦੇ ਲੌਗਸ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ, ਚਿਹਰਿਆਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨਾ (ਚਟਾਨ ਦੀਆਂ ਕਿਸਮਾਂ ਦੇ ਅਸੈਂਬਲੇਜ), ਪੋਰੋਸਿਟੀ-ਪਾਰਮੇਬਿਲਟੀ ਸਬੰਧਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ, ਅਤੇ ਉਤਪਾਦਨ ਦੇ ਰੁਝਾਨਾਂ ਨੂੰ ਮਾਡਲਿੰਗ ਕਰਨਾ। ਪਰ ਜਲ ਭੰਡਾਰ, ਹੋਰ ਭੂ-ਵਿਗਿਆਨਕ ਖੇਤਰਾਂ ਵਾਂਗ, ਅਨਿਸ਼ਚਿਤਤਾ ਨਾਲ ਭਰੇ ਹੋਏ ਹਨ, ਅਤੇ ਹਰ ਭਵਿੱਖਬਾਣੀ ਭੌਤਿਕ ਸੀਮਾਵਾਂ, ਚੰਗੀ ਜਾਂਚ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਨਾਲ ਜੁੜੇ ਬਿਨਾਂ ਫੈਸਲੇ ਦਾ ਆਧਾਰ ਨਹੀਂ ਹੋ ਸਕਦੀ।
ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਅਸੀਂ ਸਰੋਵਰ ਅਧਿਐਨ ਦੇ ਤਿੰਨ AI ਪਹਿਲੂਆਂ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ: ਖੂਹ ਦੀ ਲੌਗ ਵਿਆਖਿਆ ਅਤੇ ਫੇਸਿਸ ਵਰਗੀਕਰਣ (ਚਟਾਨ ਦੀ ਕਿਸਮ ਅਤੇ ਚਿੱਠਿਆਂ ਤੋਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕੱਢਣਾ), ਪੋਰੋਸਿਟੀ-ਪਾਰਮੇਬਿਲਿਟੀ ਪੂਰਵ-ਅਨੁਮਾਨ (ਸਰੋਵਰ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ), ਅਤੇ ਉਤਪਾਦਨ ਦੀ ਭਵਿੱਖਬਾਣੀ (ਭਵਿੱਖ ਵਿੱਚ ਖੂਹ ਕਿੰਨਾ ਪੈਦਾ ਕਰੇਗਾ)। ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਇੱਥੇ ਵੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਹੈ; ਅਸੀਂ ਵੇਰੀਓਗ੍ਰਾਮ ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਨਾਲ ਖੂਹਾਂ ਦੇ ਵਿਚਕਾਰਲੀ ਥਾਂ ਨੂੰ ਭਰਦੇ ਹਾਂ। ਨੋਟ: ਤੇਲ ਅਤੇ ਗੈਸ ਖੇਤਰ ਵਪਾਰਕ ਤੌਰ 'ਤੇ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਹੈ; ਸਾਰੇ ਨਮੂਨਿਆਂ ਦਾ ਅਗਿਆਤ ਅਤੇ ਪ੍ਰਤੀਨਿਧ ਮੁੱਲਾਂ ਨਾਲ ਅਧਿਐਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਵੈੱਲ ਲੌਗ ਇੰਟਰਪ੍ਰੀਟੇਸ਼ਨ ਅਤੇ ਫੇਸੀਜ਼ ਵਰਗੀਕਰਣ
ਖੂਹ ਦੇ ਲੌਗ ਵਕਰ ਹੁੰਦੇ ਹਨ ਜੋ ਲਗਾਤਾਰ ਬੋਰ ਦੇ ਨਾਲ ਚੱਟਾਨ ਦੀਆਂ ਭੌਤਿਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਮਾਪਦੇ ਹਨ: ਗਾਮਾ ਰੇ (ਮਿੱਟੀ ਦੀ ਸਮੱਗਰੀ), ਪ੍ਰਤੀਰੋਧਕਤਾ (ਤਰਲ ਕਿਸਮ - ਪਾਣੀ/ਹਾਈਡਰੋਕਾਰਬਨ), ਘਣਤਾ ਅਤੇ ਨਿਊਟ੍ਰੋਨ (ਪੋਰੋਸਿਟੀ), ਸੋਨਿਕ (ਚਟਾਨ ਦੀ ਕਠੋਰਤਾ)। ਇੱਕ ਪੈਟਰੋਲੀਅਮ ਭੂ-ਵਿਗਿਆਨੀ ਇਹਨਾਂ ਵਕਰਾਂ ਨੂੰ ਇਕੱਠੇ ਪੜ੍ਹਦਾ ਹੈ ਅਤੇ ਹਰ ਡੂੰਘਾਈ 'ਤੇ ਚੱਟਾਨ ਦੀ ਕਿਸਮ ਅਤੇ ਤਰਲ ਨੂੰ ਕੱਢਦਾ ਹੈ। ਇਹ ਪੈਟਰਨ ਦੀ ਪਛਾਣ ਹੈ, ਅਤੇ AI ਇਸ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹੈ: ਲਗਾਤਾਰ ਹਜ਼ਾਰਾਂ ਮੀਟਰ ਲੌਗਸ ਨੂੰ ਚਿਹਰੇ ਵਿੱਚ ਛਾਂਟਣਾ।
ਪਰ ਦੋ ਸੀਮਾਵਾਂ ਹਨ। ਪਹਿਲਾਂ, ਲੌਗ ਵਿਆਖਿਆ ਇੱਕ ਮਾਡਲ ਹੈ, ਇੱਕ ਮਾਪ ਨਹੀਂ; ਇੱਕੋ ਲੌਗ ਵੱਖ-ਵੱਖ ਫੇਸਿਸ ਵਿਆਖਿਆਵਾਂ ਲਈ ਖੁੱਲ੍ਹਾ ਹੋ ਸਕਦਾ ਹੈ। ਦੂਸਰਾ, ਜੇਕਰ ਮਾਡਲ ਅੰਨ੍ਹੇਵਾਹ ਲੌਗ-ਫੇਸਿਸ ਸਬੰਧਾਂ ਨੂੰ ਟ੍ਰਾਂਸਫਰ ਕਰਦਾ ਹੈ ਜੋ ਉਸਨੇ ਇੱਕ ਖੇਤਰ ਵਿੱਚ ਸਿੱਖੇ ਹਨ ਦੂਜੇ ਖੇਤਰ ਵਿੱਚ (ਵੱਖਰਾ ਜਮ੍ਹਾ ਕਰਨ ਵਾਲਾ ਵਾਤਾਵਰਣ, ਵੱਖਰਾ ਡਾਇਜਨੇਸਿਸ), ਇਹ ਗੰਭੀਰ ਗਲਤੀਆਂ ਕਰਦਾ ਹੈ। ਇਸ ਲਈ, ਫੇਸਿਜ਼ ਆਉਟਪੁੱਟ ਨੂੰ ਕੋਰ ਡੇਟਾ ਨਾਲ ਕੈਲੀਬਰੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਕੋਰ ਉਹ ਐਂਕਰ ਹੈ ਜੋ ਲੌਗ ਵਿਆਖਿਆ ਨੂੰ ਜ਼ਮੀਨੀ ਸੱਚ ਨਾਲ ਜੋੜਦਾ ਹੈ।
ਨੁਕਤਾ: ਫੇਸੀਜ਼ ਮਾਡਲ ਦੇ ਆਉਟਪੁੱਟ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਪੁੱਛੋ ਕਿ "ਕਿਹੜੇ ਖੂਹਾਂ ਨੂੰ ਕੋਰ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਉਹਨਾਂ ਖੂਹਾਂ ਦਾ ਮਾਡਲ ਕਿੰਨਾ ਸਹੀ ਹੈ?" ਪੁੱਛੋ ਇੱਕ ਅਸੁਰੱਖਿਅਤ ਫੇਸਿਸ ਅੰਦਾਜ਼ਾ ਇੱਕ ਅਣ-ਪ੍ਰੀਖਿਆ ਪਰਿਕਲਪਨਾ ਹੈ, ਭਾਵੇਂ ਇਹ ਕਿੰਨਾ ਵੀ ਮਨਘੜਤ ਜਾਪਦਾ ਹੋਵੇ।
ਪੋਰੋਸਿਟੀ ਅਤੇ ਪਾਰਦਰਸ਼ੀਤਾ: ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਅੰਤਰ
ਸਰੋਵਰ ਦੀ ਗੁਣਵੱਤਾ ਦੀਆਂ ਦੋ ਕੁੰਜੀਆਂ ਪੋਰੋਸਿਟੀ ਅਤੇ ਪਾਰਮੇਬਿਲਿਟੀ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਵਿਚਕਾਰ ਅੰਤਰ ਏਆਈ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਨੁਕਤਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਪੋਰੋਸਿਟੀ ਚੱਟਾਨ ਦਾ ਵਿਅਰਥ ਅਨੁਪਾਤ ਹੈ ਅਤੇ ਵਾਜਬ ਸ਼ੁੱਧਤਾ ਨਾਲ ਲੌਗਸ ਤੋਂ ਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਪਾਰਗਮਤਾ ਇਹ ਹੈ ਕਿ ਕਿੰਨੀ ਆਸਾਨੀ ਨਾਲ ਤਰਲ ਚੱਟਾਨ ਵਿੱਚੋਂ ਵਹਿੰਦਾ ਹੈ ਅਤੇ ਸਿੱਧੇ ਚਿੱਠਿਆਂ ਤੋਂ ਨਹੀਂ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ; ਪਰ ਇਹ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਗਿਆ ਹੈ। ਪਾਰਦਰਸ਼ੀਤਾ ਪੋਰੋਸਿਟੀ ਵਿੱਚ ਛੋਟੀਆਂ ਤਬਦੀਲੀਆਂ ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੀ ਹੈ ਅਤੇ ਪੋਰ ਜਿਓਮੈਟਰੀ, ਚੀਰ ਅਤੇ ਸੀਮੈਂਟੇਸ਼ਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।
ਇਸ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨਾਲ ਪਾਰਦਰਸ਼ੀਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਆਕਰਸ਼ਕ ਅਤੇ ਖ਼ਤਰਨਾਕ ਦੋਵੇਂ ਹੈ। ਮਾਡਲ ਕੋਰ ਖੂਹਾਂ ਵਿੱਚ ਪੋਰੋਸਿਟੀ ਅਤੇ ਦੂਜੇ ਲੌਗਸ ਤੋਂ ਪਾਰਗਮਤਾ ਸਿੱਖਦਾ ਹੈ; ਪਰ ਜੋ ਸਬੰਧ ਇਹ ਸਿੱਖਦਾ ਹੈ ਉਹ ਉਸ ਚਿਹਰਿਆਂ ਅਤੇ ਉਸ ਦਬਾਅ-ਤਾਪਮਾਨ ਦੀ ਸਥਿਤੀ ਲਈ ਵਿਸ਼ੇਸ਼ ਹੈ। ਕਿਸੇ ਵੱਖਰੇ ਲਿਥੋਲੋਜੀ ਜਾਂ ਅਣ-ਕੋਰਡ ਖੂਹ (ਸਿੱਖੀ ਰੇਂਜ ਤੋਂ ਬਾਹਰ ਜਾਣ) ਵਿੱਚ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਵੱਡੀਆਂ ਗਲਤੀਆਂ ਹੋਣਗੀਆਂ। ਪਾਰਦਰਸ਼ੀਤਾ ਅਨੁਮਾਨ ਨੂੰ ਕੋਰ ਮਾਪ ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਂਚ ਨਾਲ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ (ਪ੍ਰੈਸ਼ਰ ਡਰਾਪ/ਸੁੱਜਣ ਵਾਲੇ ਟੈਸਟ ਅਸਲ ਵਹਾਅ ਦਾ ਵਿਵਹਾਰ ਦਿੰਦੇ ਹਨ)।
ਸਾਵਧਾਨ: ਭਾਵੇਂ ਪਾਰਦਰਸ਼ੀਤਾ ਅਨੁਮਾਨ ਇੱਕ "ਚੰਗਾ ਦਿੱਖ" ਗ੍ਰਾਫ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਜੇਕਰ ਇਹ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਚਿਹਰੇ ਅਤੇ ਦਬਾਅ ਦੀਆਂ ਸਥਿਤੀਆਂ ਤੋਂ ਬਾਹਰ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਇਹ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ। ਮਾਡਲ ਇੱਕ ਸਬੰਧ ਸਿੱਖਦਾ ਹੈ, ਨਾ ਕਿ ਇੱਕ ਭੌਤਿਕ ਤੱਥ; ਹਮੇਸ਼ਾ ਕੋਰ ਅਤੇ ਚੰਗੀ ਜਾਂਚ ਨਾਲ ਟੈਸਟ ਕਰੋ।
ਉਤਪਾਦਨ ਪੂਰਵ ਅਨੁਮਾਨ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ
ਭਵਿੱਖ ਵਿੱਚ ਇੱਕ ਖੂਹ ਕਿੰਨਾ ਪੈਦਾ ਕਰਦਾ ਹੈ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਭੰਡਾਰ ਕਿੰਨਾ ਤਰਲ ਰੱਖਦਾ ਹੈ ਅਤੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਕਲਾਸੀਕਲ ਢੰਗ (ਨਕਾਰ ਕਰਵ ਵਿਸ਼ਲੇਸ਼ਣ) ਭਵਿੱਖ ਵਿੱਚ ਪਿਛਲੇ ਉਤਪਾਦਨ ਦੇ ਰੁਝਾਨ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ; AI ਇਸ ਰੁਝਾਨ ਨੂੰ ਮਲਟੀ-ਵੈਲ ਡੇਟਾ ਨਾਲ ਭਰਪੂਰ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਗੁਆਂਢੀ ਖੂਹ ਦੇ ਪੈਟਰਨਾਂ ਤੋਂ ਸਿੱਖਦਾ ਹੈ। ਪਰ ਉਤਪਾਦਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਸੁਭਾਵਕ ਤੌਰ 'ਤੇ ਅਨਿਸ਼ਚਿਤ ਹੈ: ਭੰਡਾਰ ਵਿਭਿੰਨ ਹੈ, ਦਬਾਅ ਬਦਲਦਾ ਹੈ, ਸੰਚਾਲਨ ਦੀਆਂ ਸਥਿਤੀਆਂ ਬਦਲਦੀਆਂ ਹਨ। ਇਸ ਲਈ, ਇੱਕ ਸੰਭਾਵੀ ਰੇਂਜ (ਘੱਟ/ਮੱਧਮ/ਉੱਚ ਦ੍ਰਿਸ਼) ਪੇਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਇੱਕ ਵੀ "ਸਹੀ" ਉਤਪਾਦਨ ਵਕਰ ਨਹੀਂ।
ਖੂਹਾਂ ਦੇ ਵਿਚਕਾਰ ਵਾਲੀਅਮ ਭਰਨ ਵੇਲੇ ਭੂ-ਵਿਗਿਆਨ ਵੀ ਅਨਿਸ਼ਚਿਤਤਾ ਰੱਖਦਾ ਹੈ। ਕ੍ਰਮਵਾਰ ਗੌਸੀਅਨ ਸਿਮੂਲੇਸ਼ਨ ਵਰਗੀਆਂ ਵਿਧੀਆਂ ਇੱਕ ਸਿੰਗਲ "ਔਸਤ" ਮਾਡਲ ਦੀ ਬਜਾਏ ਬਹੁਤ ਸਾਰੇ ਬਰਾਬਰ ਸੰਭਾਵਿਤ ਮਾਡਲ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ; ਇਹਨਾਂ ਮਾਡਲਾਂ ਵਿੱਚ ਅੰਤਰ ਆਪਣੇ ਆਪ ਵਿੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਹੈ. ਨਕਲੀ ਬੁੱਧੀ ਇਹਨਾਂ ਸਿਮੂਲੇਸ਼ਨਾਂ ਨੂੰ ਤੇਜ਼ ਅਤੇ ਵਿਆਖਿਆ ਕਰਦੀ ਹੈ; ਪਰ ਨਤੀਜੇ ਨੂੰ ਇੱਕ ਸੰਖਿਆ ਤੱਕ ਘਟਾਉਣਾ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਛੁਪਾ ਕੇ ਝੂਠਾ ਵਿਸ਼ਵਾਸ ਪੈਦਾ ਕਰਦਾ ਹੈ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ
ਕੇਸ 1 - ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਗਲਤੀ। ਇੱਕ ਸਾਈਟ 'ਤੇ ਤਿੰਨ ਕੋਰਡ ਖੂਹਾਂ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਪਾਰਦਰਸ਼ੀਤਾ ਮਾਡਲ ਨੇ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਦਿੱਤੀ ਜੋ ਚੌਥੇ ਖੂਹ 'ਤੇ ਸੰਪੂਰਨ ਦਿਖਾਈ ਦਿੱਤੀ। ਪਰ ਇਹ ਖੂਹ ਇੱਕ ਮਿੱਟੀ ਦੇ ਰੂਪ ਵਿੱਚ ਸੀ ਅਤੇ ਮਾਡਲ ਨੇ ਇਹ ਅੰਤਰਾਲ ਕਦੇ ਨਹੀਂ ਦੇਖਿਆ ਸੀ; ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਂਚ ਨੇ ਅੰਦਾਜ਼ੇ ਦੇ ਲਗਭਗ ਪੰਜਵੇਂ ਹਿੱਸੇ ਦੀ ਅਸਲ ਪਾਰਦਰਸ਼ੀਤਾ ਨੂੰ ਦਰਸਾਇਆ। ਮਾਡਲ ਨੂੰ "ਚੰਗਾ ਦਿੱਖ" ਗ੍ਰਾਫ ਲਈ ਗੰਭੀਰਤਾ ਨਾਲ ਗਲਤੀ ਕੀਤੀ ਗਈ ਸੀ; ਖੂਹ ਦੇ ਟੈਸਟ ਐਂਕਰ ਨੇ ਗਲਤੀ ਫੜੀ।
ਕੇਸ 2 — ਚਿਹਰੇ ਦਾ ਕੈਲੀਬ੍ਰੇਸ਼ਨ। ਇੱਕ ਗੈਸ ਫੀਲਡ ਵਿੱਚ, ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੇ 14 ਖੂਹਾਂ ਦੇ ਲੌਗਾਂ ਨੂੰ ਚਿਹਰੇ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਛਾਂਟ ਦਿੱਤਾ। ਜਦੋਂ ਤਿੰਨ ਕੋਰਡ ਖੂਹਾਂ ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਉਹ ਜ਼ੋਨ ਜਿਸ ਨੂੰ ਮਾਡਲ ਨੇ "ਸਾਫ਼ ਰੇਤਲੇ ਪੱਥਰ" ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਸੀ, ਅਸਲ ਵਿੱਚ ਇੱਕ ਖੰਡਿਤ, ਘੱਟ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਇਕਾਈ ਸੀ। ਕੋਰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਦੇ ਨਾਲ, ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ ਅਤੇ ਭੰਡਾਰ ਦੀ ਮਾਤਰਾ ਦਾ ਅੰਦਾਜ਼ਾ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਪੱਧਰ ਤੱਕ ਹੇਠਾਂ ਲਿਆਂਦਾ ਗਿਆ ਸੀ।
ਕੇਸ 3 - ਸਕ੍ਰਿਪਟ ਇਮਾਨਦਾਰੀ। ਇੱਕ ਉਤਪਾਦਨ ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ, ਮਾਡਲ ਨੇ ਇੱਕ ਸਿੰਗਲ ਕਰਵ ਦਿੱਤਾ ਹੈ ਅਤੇ ਦਸ ਸਾਲਾਂ ਦੇ ਉਤਪਾਦਨ ਨੂੰ ਅਜੀਬ ਸੰਖਿਆਵਾਂ ਵਿੱਚ ਦਰਸਾਇਆ ਹੈ। ਜਦੋਂ ਟੀਮ ਨੇ ਇੱਕ ਕ੍ਰਮਵਾਰ ਸਿਮੂਲੇਸ਼ਨ ਦੁਆਰਾ ਇੱਕ ਘੱਟ/ਮੱਧਮ/ਉੱਚ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕੀਤਾ, ਤਾਂ ਉਹਨਾਂ ਨੇ ਪਾਇਆ ਕਿ ਸੀਮਾ ਬਹੁਤ ਚੌੜੀ ਸੀ (ਉੱਚ ਦ੍ਰਿਸ਼ ਲਗਭਗ ਦੁੱਗਣਾ ਘੱਟ ਸੀ)। ਇਸ ਚੌੜਾਈ ਨੇ ਸੰਕੇਤ ਦਿੱਤਾ ਕਿ ਨਿਵੇਸ਼ ਫੈਸਲੇ ਵਿੱਚ ਵਾਧੂ ਖੂਹ ਦੀ ਜਾਂਚ ਦੀ ਲੋੜ ਸੀ; ਸਿੰਗਲ ਨੰਬਰ ਨੇ ਇਸ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਖਤਰਨਾਕ ਢੰਗ ਨਾਲ ਛੁਪਾਇਆ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਹਨਾਂ ਖੂਹ ਦੇ ਲੌਗਾਂ ਨੂੰ ਦੇਖੋ, ਪਾਰਗਮਤਾ ਦੀ ਗਣਨਾ ਕਰੋ, ਅਤੇ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਖੂਹ ਕਿੰਨੀ ਪੈਦਾਵਾਰ ਕਰੇਗਾ। [ਲਾਗ ਡੇਟਾ]
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸਹਾਇਕ ਭੰਡਾਰ ਭੂ-ਵਿਗਿਆਨੀ। ਹੇਠਾਂ ਦਿੱਤੇ ਲੌਗਸ ਦੇ ਨਾਲ ਪਾਰਗਮਤਾ ਅਤੇ ਉਤਪਾਦਨ ਲਈ ਸਿੰਗਲ ਸਹੀ ਨੰਬਰ ਦੇਣਾ। ਇਸਦੀ ਬਜਾਏ: 1) ਦੱਸੋ ਕਿ ਫੇਸਿਸ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ ਕੋਰ ਦੁਆਰਾ ਕਿਹੜੇ ਖੂਹਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। 2) ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਪਾਰਗਮਤਾ ਅਨੁਮਾਨ ਸਿੱਧੇ ਲੌਗਸ ਤੋਂ ਮਾਪਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ ਹੈ, ਇਹ ਕਿਹੜੀਆਂ ਸਥਿਤੀਆਂ (ਫੇਸਿਸ/ਦਬਾਅ) ਅਧੀਨ ਜਾਇਜ਼ ਹੋਵੇਗਾ, ਅਤੇ ਕੋਰ/ਖੂਹ ਦੀ ਜਾਂਚ ਦੀ ਲੋੜ ਹੈ। 3) ਇੱਕ ਘੱਟ/ਮੱਧਮ/ਉੱਚ ਸਥਿਤੀ ਦੀ ਸਥਾਪਨਾ ਕਰੋ, ਜੋ ਕਿ ਇੱਕਲੇ ਸਰੋਤਾਂ ਦੀ ਪਰਦਾ ਨਹੀਂ, 4 ਪੈਦਾ ਕਰਨ ਲਈ ਇੱਕ ਤਰਕ ਨਹੀਂ। ਨਤੀਜੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ। ਡੇਟਾ ਅਗਿਆਤ ਹੈ; ਕੋਈ ਅਸਲ ਖੇਤਰ/ਕੰਪਨੀ ਨਹੀਂ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ
1) ਲੌਗ-ਫੇਸਿਜ਼ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਜਾਂਚ:
ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਕਿਹੜੇ ਖੂਹ ਫੇਸ਼ੀਜ਼ ਵਰਗੀਕਰਣ ਲਈ ਕੋਰ ਕੀਤੇ ਗਏ ਹਨ ਅਤੇ ਅਸੀਂ ਇਹਨਾਂ ਖੂਹਾਂ ਵਿੱਚ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਕਿਵੇਂ ਮਾਪ ਸਕਦੇ ਹਾਂ। ਅਣ-ਪ੍ਰਮਾਣਿਤ ਜ਼ੋਨਾਂ ਨੂੰ "ਅਨਟੈਸਟਡ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ; ਅੰਨ੍ਹੇਵਾਹ ਵਿਸ਼ਵਾਸ ਨਾ ਕਰੋ।
2) ਪਾਰਦਰਸ਼ੀਤਾ ਪ੍ਰਮਾਣਿਕਤਾ:
ਪਾਰਦਰਸ਼ੀਤਾ ਪੂਰਵ-ਅਨੁਮਾਨ ਲਈ: ਚਿਹਰੇ ਅਤੇ ਦਬਾਅ ਦੀ ਰੇਂਜ ਨੂੰ ਨਿਸ਼ਚਿਤ ਕਰੋ ਜਿਸ ਲਈ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ; ਨਿਸ਼ਾਨ ਲਗਾਓ ਕਿ ਕਿਹੜੇ ਖੂਹ/ਜ਼ੋਨ ਇਸ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਹਨ (ਐਕਸਟ੍ਰੈਪੋਲੇਸ਼ਨ)। ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿਓ ਕਿ ਇਨ੍ਹਾਂ ਜ਼ੋਨਾਂ ਵਿੱਚ ਕੋਰ ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਭਵਿੱਖਬਾਣੀ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਕੋਈ ਸਹੀ ਨੰਬਰ ਨਾ ਦਿਓ।
3) ਉਤਪਾਦਨ ਦ੍ਰਿਸ਼ ਡਰਾਫਟ:
ਗਿਰਾਵਟ ਕਰਵ/ਉਤਪਾਦਨ ਡੇਟਾ ਤੋਂ ਘੱਟ, ਮੱਧਮ, ਉੱਚ ਉਤਪਾਦਨ ਦ੍ਰਿਸ਼ ਤਰਕ ਨੂੰ ਸਥਾਪਿਤ ਕਰਦਾ ਹੈ। ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਹਰੇਕ ਦ੍ਰਿਸ਼ ਕਿਸ ਧਾਰਨਾਵਾਂ 'ਤੇ ਅਧਾਰਤ ਹੈ ਅਤੇ ਉਨ੍ਹਾਂ ਵਿਚਕਾਰ ਅੰਤਰ ਦਾ ਕੀ ਅਰਥ ਹੈ। ਕੋਈ ਸਿੰਗਲ "ਸਟੀਕ" ਕਰਵ ਦੀ ਪੇਸ਼ਕਸ਼ ਨਹੀਂ ਕਰ ਰਿਹਾ ਹੈ।
4) ਅਨਿਸ਼ਚਿਤਤਾ ਸਿਮੂਲੇਸ਼ਨ ਵਿਆਖਿਆ:
ਇੱਕ ਮਲਟੀਪਲ ਬਰਾਬਰ ਸੰਭਾਵਿਤ ਭੂ-ਵਿਗਿਆਨਕ ਮਾਡਲ (ਉਦਾਹਰਨ ਲਈ, ਕ੍ਰਮਵਾਰ ਸਿਮੂਲੇਸ਼ਨ) ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰੋ: ਵੌਲਯੂਮ ਅਨੁਮਾਨ ਦੀ ਵੰਡ ਕਿੰਨੀ ਵਿਆਪਕ ਹੈ, ਕਿਹੜਾ ਖੇਤਰ ਸਭ ਤੋਂ ਅਨਿਸ਼ਚਿਤ ਹੈ, ਅਤੇ ਕਿਹੜੇ ਵਾਧੂ ਡੇਟਾ (ਚੰਗੀ ਤਰ੍ਹਾਂ, ਭੂਚਾਲ) ਨਾਲ ਇਹ ਅਨਿਸ਼ਚਿਤਤਾ ਸੰਕੁਚਿਤ ਹੈ? ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ਤੱਕ ਘਟਾ ਰਿਹਾ ਹੈ।
ਸਰੋਵਰ ਨਿਰਧਾਰਨ, ਮਾਪਣਯੋਗਤਾ ਅਤੇ ਤਸਦੀਕ
ਵਿਸ਼ੇਸ਼ਤਾ/ਆਉਟਪੁੱਟ
ਕੀ ਇਸਨੂੰ ਲੌਗਸ ਤੋਂ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ?
AI ਜੋਖਮ
ਪੁਸ਼ਟੀਕਰਨ ਐਂਕਰ
porosity
ਵਾਜਬ ਸ਼ੁੱਧਤਾ ਨਾਲ ਲਿਆ ਗਿਆ
ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਡ੍ਰਾਈਫਟ
ਕੋਰ porosity
ਪਾਰਦਰਸ਼ੀਤਾ
ਨਹੀਂ, ਅਸਿੱਧੇ ਅੰਦਾਜ਼ੇ
ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਗਲਤੀ
ਕੋਰ + ਚੰਗੀ ਜਾਂਚ
ਚਿਹਰੇ
ਟਿੱਪਣੀ (ਮਾਡਲ)
ਆਫ-ਸਾਈਟ ਆਵਾਜਾਈ
ਕੋਰ ਪਰਿਭਾਸ਼ਾ
ਤਰਲ ਕਿਸਮ
ਮੈਂ ਪ੍ਰਤੀਰੋਧਕਤਾ ਤੋਂ ਨਤੀਜਾ ਕੱਢਦਾ ਹਾਂ
ਗਲਤ ਟਿੱਪਣੀ
ਦਬਾਅ/ਨਮੂਨਾ ਟੈਸਟਿੰਗ
ਉਤਪਾਦਨ ਪੂਰਵ ਅਨੁਮਾਨ
ਰੁਝਾਨ ਦਾ ਵਿਸਥਾਰ
ਝੂਠੀ ਨਿਸ਼ਚਤਤਾ
ਦ੍ਰਿਸ਼ + ਚੰਗੀ ਜਾਂਚ
ਸੰਕੇਤ: ਭੰਡਾਰ 'ਤੇ ਹਰੇਕ ਅੰਦਾਜ਼ੇ ਲਈ "ਕਿਹੜਾ ਸਿੱਧਾ ਮਾਪ ਇਸ ਨੂੰ ਗਲਤ ਸਾਬਤ ਕਰ ਸਕਦਾ ਹੈ?" ਕਹਿ ਕੇ ਪਰਖੋ। ਪੋਰੋਸਿਟੀ ਲਈ ਕੋਰ, ਪਾਰਗਮਤਾ ਲਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਟੈਸਟ, ਚਿਹਰੇ ਲਈ ਕੋਰ ਪਰਿਭਾਸ਼ਾ। ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਜੋ ਸਿੱਧੇ ਮਾਪ ਦੁਆਰਾ ਰੱਦ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਅਜੇ ਤੱਕ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ.
ਆਮ ਗਲਤੀਆਂ
- ਪਾਰਦਰਸ਼ੀਤਾ ਨੂੰ ਪੋਰੋਸਿਟੀ ਵਜੋਂ ਦੇਖਣਾ। ਪਾਰਦਰਸ਼ੀਤਾ ਨੂੰ ਸਿੱਧੇ ਲੌਗਸ ਤੋਂ ਨਹੀਂ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ; ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਵੱਡੀਆਂ ਗਲਤੀਆਂ ਦਿੰਦਾ ਹੈ, ਕੋਰ/ਵੈਲ ਟੈਸਟਿੰਗ ਜ਼ਰੂਰੀ ਹੈ।
- ਕੋਰ ਦੇ ਬਿਨਾਂ ਚਿਹਰੇ ਦੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ। ਇੱਕ ਚਿਹਰਾ ਜੋ ਕੋਰ ਦੁਆਰਾ ਕੈਲੀਬਰੇਟ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ ਇੱਕ ਗੈਰ-ਜਾਂਚ ਕੀਤੀ ਪਰਿਕਲਪਨਾ ਹੈ।
- ਸਿੱਖੀ ਦੇ ਰਿਸ਼ਤੇ ਨੂੰ ਕਿਸੇ ਹੋਰ ਖੇਤਰ ਵਿੱਚ ਲਿਜਾਣਾ। ਵੱਖ-ਵੱਖ ਜਮ੍ਹਾ ਕਰਨ ਵਾਲੇ ਵਾਤਾਵਰਣ ਅਤੇ ਡਾਇਜੇਨੇਸਿਸ ਲੌਗ-ਟ੍ਰੀਟ ਰਿਸ਼ਤੇ ਨੂੰ ਬਦਲਦੇ ਹਨ।
- ਇੱਕ ਸਿੰਗਲ ਕਰਵ ਦੇ ਨਾਲ ਉਤਪਾਦਨ ਪੇਸ਼ ਕਰਨਾ। ਜੇਕਰ ਸਥਿਤੀਆਂ ਦੇ ਨਾਲ ਅਨਿਸ਼ਚਿਤਤਾ ਨਹੀਂ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਨਿਵੇਸ਼ ਦਾ ਫੈਸਲਾ ਗਲਤ ਨਿਸ਼ਚਤਤਾ 'ਤੇ ਅਧਾਰਤ ਹੁੰਦਾ ਹੈ।
- ਸਿਮੂਲੇਸ਼ਨ ਨੂੰ ਮੱਧਮਾਨ ਤੱਕ ਘਟਾਉਣਾ। ਕਈ ਮਾਡਲ ਅਨਿਸ਼ਚਿਤਤਾ ਦਰਸਾਉਂਦੇ ਹਨ; ਇਸ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ਤੱਕ ਘਟਾਉਣ ਨਾਲ ਜਾਣਕਾਰੀ ਨਸ਼ਟ ਹੋ ਜਾਂਦੀ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
- ਸਰੋਵਰ ਅਦਿੱਖ ਹੈ; ਇਹ ਲੌਗਸ, ਕੋਰ, ਭੂਚਾਲ ਅਤੇ ਉਤਪਾਦਨ ਡੇਟਾ ਦੇ ਨਾਲ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਪੜ੍ਹਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਹਰ ਭਵਿੱਖਬਾਣੀ ਅਨਿਸ਼ਚਿਤਤਾ ਰੱਖਦੀ ਹੈ।
- ਪੋਰੋਸਿਟੀ ਲੌਗਸ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ; ਪਾਰਦਰਸ਼ੀਤਾ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਨਹੀਂ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ, ਇਸ ਨੂੰ ਕੋਰ ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਂਚ ਨਾਲ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਫੇਸੀਜ਼ ਵਰਗੀਕਰਨ ਇੱਕ ਮਾਡਲ ਹੈ; ਕੋਰ ਦੁਆਰਾ ਕੈਲੀਬਰੇਟ ਕੀਤੇ ਬਿਨਾਂ ਅਤੇ ਆਫ-ਸਾਈਟ ਟ੍ਰਾਂਸਪੋਰਟ ਕੀਤੇ ਬਿਨਾਂ ਭਰੋਸੇਯੋਗ ਨਹੀਂ।
- ਸਿੱਖਿਆ ਗਿਆ ਰਿਸ਼ਤਾ ਵਿਦਿਅਕ ਸਥਿਤੀਆਂ ਲਈ ਖਾਸ ਹੈ; ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਸਭ ਤੋਂ ਆਮ ਅਤੇ ਖਤਰਨਾਕ ਗਲਤੀ ਹੈ।
- ਉਤਪਾਦਨ ਅਤੇ ਵੌਲਯੂਮ ਨੂੰ ਇੱਕ ਸੰਖਿਆ ਦੇ ਨਾਲ ਨਹੀਂ, ਪਰ ਇੱਕ ਸੰਭਾਵੀ ਦ੍ਰਿਸ਼ ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਨਾਲ, ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਖੂਹ ਦੇ ਲਾਗਾਂ (ਜਾਂ ਪ੍ਰਤੀਨਿਧ ਮੁੱਲਾਂ) ਦਾ ਇੱਕ ਅਗਿਆਤ ਸੈੱਟ ਪ੍ਰਾਪਤ ਕਰੋ। ਮਾਡਲ ਨੂੰ ਇਹ ਪਤਾ ਲਗਾਉਣ ਲਈ ਕਹੋ ਕਿ "ਪਰਮੇਮੇਬਿਲਟੀ ਵੈਲੀਡੇਸ਼ਨ" ਟੈਮਪਲੇਟ ਨਾਲ ਕਿਹੜੇ ਜ਼ੋਨ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਦੇ ਖ਼ਤਰੇ ਵਿੱਚ ਹਨ; ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਇਹ ਕਿਸੇ ਜ਼ੋਨ ਨੂੰ ਜਾਣਬੁੱਝ ਕੇ ਸਿਖਲਾਈ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਰੱਖ ਕੇ ਉਤੇਜਿਤ ਕਰਦਾ ਹੈ। ਫਿਰ, ਇੱਕ ਵਕਰ ਦੀ ਬਜਾਏ ਇੱਕ ਘੱਟ/ਮੱਧਮ/ਉੱਚ ਦ੍ਰਿਸ਼ ਬਣਾਉਣ ਲਈ "ਉਤਪਾਦਨ ਦ੍ਰਿਸ਼ ਡਰਾਫਟ" ਟੈਂਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰੋ ਅਤੇ ਇੱਕ ਵਾਕ ਵਿੱਚ ਰੇਂਜ ਦੀ ਚੌੜਾਈ 'ਤੇ ਟਿੱਪਣੀ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਪੋਰੋਸਿਟੀ ਅਤੇ ਪਾਰਗਮਾਈਬਿਲਟੀ ਵਿਚਕਾਰ ਮਾਪਣਯੋਗਤਾ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਜਾਣਦਾ ਹਾਂ ਅਤੇ ਇਸ ਪਾਰਦਰਸ਼ੀਤਾ ਲਈ ਕੋਰ/ਚੰਗੀ ਜਾਂਚ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
- [ ] ਮੈਂ ਇਸ ਨੂੰ ਕੋਰ ਨਾਲ ਕੈਲੀਬ੍ਰੇਟ ਕੀਤੇ ਬਿਨਾਂ ਫੇਸੀਜ਼ ਵਰਗੀਕਰਣ ਨੂੰ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਸਮਝਦਾ।
- [ ] ਮੈਂ ਸਿੱਖੇ ਹੋਏ ਰਿਸ਼ਤੇ ਨੂੰ ਕਿਸੇ ਹੋਰ ਖੇਤਰ/ਸਥਿਤੀ ਨਾਲ ਐਕਸਟਰਾਪੋਲੇਟ ਕਰਨ ਦੇ ਜੋਖਮ ਨੂੰ ਪਛਾਣਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਸਿੰਗਲ ਸੰਖਿਆਵਾਂ ਦੀ ਬਜਾਏ ਪ੍ਰੋਬੇਬਿਲਿਸਟਿਕ ਦ੍ਰਿਸ਼ਾਂ ਅਤੇ ਸਿਮੂਲੇਸ਼ਨਾਂ ਦੇ ਨਾਲ ਉਤਪਾਦਨ ਅਤੇ ਵਾਲੀਅਮ ਪੇਸ਼ ਕਰਦਾ ਹਾਂ।
- [ ] "ਕਿਹੜਾ ਸਿੱਧਾ ਮਾਪ ਹਰੇਕ ਭੰਡਾਰ ਦੇ ਅੰਦਾਜ਼ੇ ਨੂੰ ਗਲਤ ਸਾਬਤ ਕਰ ਸਕਦਾ ਹੈ?" ਮੈਂ ਇਸ ਨੂੰ ਪ੍ਰਸ਼ਨ ਨਾਲ ਪਰਖਦਾ ਹਾਂ.