المكاسب:
- القدرة على التمييز بين تخطي الدورة في التتبع الأفقي التلقائي وبصمة الاستحواذ في اكتشاف الأخطاء من الهيكل الحقيقي وفحصه يدويًا
- فهم أن فئات السحنات الزلزالية إحصائية وتكون قادرة على تكوين معنى جيولوجي من خلال معرفة الآبار والبيئات الترسبية.
- القدرة على اختبار خطر التجهيز الزائد في مجموعة الميزات مع اختبار البئر العمياء والحد من عدد الميزات وفقًا لعدد الآبار
تم الانتهاء من المعالجة؛ لديك حجم زلزالي نظيف ومنقول. والآن يبدأ السؤال الحقيقي: ماذا تقول هذه الصورة عن مترو الأنفاق؟ أين حدود الطبقة، وفي أي اتجاه تمتد الصدوع، وأي منطقة رملية، وأي منطقة طينية، وأين يمكن أن يكون هناك خزان؟ التفسير الزلزالي هو عملية استخراج النموذج الهيكلي والرسوبي (الطبقي) للطبقة تحت السطح من البيانات المهاجرة. في هذه الوحدة، سنرى كيف ينتج الذكاء الاصطناعي (AI) "مسودة أولى سريعة" في تتبع الأفق والخطأ وتصنيف السحنات الزلزالية وتحليل السمات، ولكن من يبني المعنى الجيولوجي والنموذج النهائي.
اللبنات الأساسية للتفسير
دعونا توضيح الشروط. الأفق هو السطح العاكس المستمر الذي يتم ملاحظته في القسم الزلزالي ويتوافق بشكل عام مع حدود الطبقة الجيولوجية. الصدع هو مستوى من الانقطاع حيث تنكسر الطبقات وتتحول؛ يظهر في الأماكن التي تنقطع فيها الانعكاسات أو تتحول في المقطع العرضي. السحنات الزلزالية هي مناطق حجمية لها طبيعة موجية مماثلة (السعة والاستمرارية والملمس) وتعكس بشكل عام بيئة رسوبية مماثلة. الخصائص الزلزالية هي قياسات مشتقة من آثار توجه العين إلى سمات معينة (الانقطاع، الانحدار، السعة، التردد)؛ على سبيل المثال، تسلط سمة التماسك/الاستمرارية الضوء على الأخطاء ويسلط التحلل الطيفي الضوء على هندسة القناة.
الذكاء الاصطناعي في الأفق وتتبع الأخطاء
يتم التتبع اليدوي للأفق عندما يتتبع المترجم قسمًا من الانعكاس قسمًا تلو الآخر ويحدد آلاف النقاط - وهو دقيق ولكنه بطيء. يمكن أن تبدأ أدوات التتبع التلقائية المستندة إلى الذكاء الاصطناعي من بضع نقاط أولية وتنتشر عبر المجلد بأكمله؛ في اكتشاف الأخطاء، يمكن للنماذج المستندة إلى CNN (شبكات تعلم أنماط الصور) تحديد الانقطاعات في جميع أنحاء المجلد. وهذا يختصر ما كان يستغرق أسابيعًا يدويًا إلى ساعات.
ومع ذلك، هناك نوعان من الفخاخ. أولاً، يمكن لجهاز التتبع التلقائي تخطي الأفق - والانتقال من قمة موجة إلى قمة مجاورة؛ والنتيجة هي سطح يبدو أملسًا ولكنه غير دقيق جيولوجيًا. ثانيًا، قد يخطئ كاشف الأخطاء في الضوضاء الخطية الناتجة عن المعالجة (على سبيل المثال، بصمة الاستحواذ) كخطأ. ولهذا السبب يتم فحص كل شبكة سطحية وشبكة خطأ يتم إنشاؤها بواسطة الذكاء الاصطناعي يدويًا عند التقاطعات (تقاطع أفق الصدع) ومواقع الآبار.
نصيحة: قم بمراقبة الأفق الذي يتم تتبعه تلقائيًا بشكل مرئي في عدة أقسام رئيسية من خلال تراكبه على البيانات نفسها. لقد تجاوز السطح دورة حيث يترك انعكاسا قويا ويقفز إلى قمة ضعيفة؛ لا تنشر الحجم دون تصحيح هذه المناطق يدويًا.
تصنيف الوجهات الزلزالية
تصنيف السحنات هو مهمة تقسيم الحجم إلى مناطق حسب طبيعة الموجة. في النهج الخاضع للإشراف، يمكنك تعيين تسميات من الصخور المعروفة في الآبار وتدريب النموذج؛ في النهج غير الخاضع للرقابة، يقوم النموذج نفسه بتجميع المناطق ذات الخصائص المتشابهة وتعطي معنى جيولوجيًا لاحقًا. يوفر الذكاء الاصطناعي سرعة كبيرة هنا، لكن الفئات هي تشابه إحصائي، وليست حقيقة جيولوجية. إن المنطقة التي يسميها النموذج "السحنات 3" لا تكتسب معنى مثل "قناة الرمال" إلا بمعرفة البئر والبيئة الترسبية.
تنبيه: قمت بتوفير عدد فئات التجميع غير الخاضعة للرقابة؛ تنتج أعداد مختلفة من الفئات خرائط مختلفة تمامًا. لا تنحصر في مجموعة واحدة؛ قم بتغيير عدد الفئات واختبر ما إذا كانت النتيجة تظل مستقرة جيولوجيًا.
المأزق في تحليل الميزة: العلاقة متعددة المتغيرات
يستطيع الذكاء الاصطناعي الجمع بين العشرات من الميزات وإنشاء مصنفات قوية. لكن محاولة ملاءمة عدد كبير من الميزات لعدد صغير من الآبار يؤدي إلى التجاوز - عدم قدرة النموذج على حفظ أمثلة التدريب وتعميم البيانات الجديدة: الخريطة مثالية في الآبار ولا معنى لها بين الآبار. القاعدة: احتفظ بعدد المعالم المتناسب مع بيانات التحكم (البئر) واختبر الخريطة في بئر مستقل (اختبار أعمى).
ثلاث حالات صغيرة
الحالة 1 - تتبع الأفق وصولاً إلى ساعات. تم تحديد أفق الخزان الرئيسي بمساحة 900 كيلومتر مربع يدويًا خلال 9 أيام. يقوم متعقب الذكاء الاصطناعي بنشر السطح من 6 نقاط بذرية خلال 3 ساعات؛ قام المراجع بتصحيح منطقة تخطي 14 دورة يدويًا. النتيجة: نفس الدقة، يوم واحد بدلاً من أيام.
الحالة الثانية - الخلط بين البصمة والخطأ. قام كاشف الأخطاء بتمييز الخطوط المنتظمة بين الشمال والجنوب. ولاحظ المعلق أن هذه الخطوط تتطابق تماما مع تباعد أسطر الاكتساب: فهي ليست عيوبا، بل آثار أقدام اكتساب. كانت الأخطاء الفعلية متعامدة مع هذا النمط المنتظم. عندما تم القضاء على البصمة، أصبحت خريطة الخطأ ذات معنى.
الحالة 3 - خريطة السحنات الزائدة. وقد أعطى المصنف الذي تم تدريبه باستخدام 22 ميزة و5 آبار فقط دقة بنسبة 98٪ على الآبار ولكنه صنف الحجر الرملي على أنه حجر طيني في البئر السادس (الأعمى). عندما تم تقليل عدد الميزات إلى 6 وإعادة تدريبها، زادت دقة البئر العمياء من 61% إلى 88%: كانت الخريطة أيضًا موثوقة عبر الآبار.
أربعة قوالب قابلة للنسخ
1) استشارة اختيار السمات:
دورك: خبير في تفسير الزلازل. هدفي: [رمال القناة النهرية / خزان الكربونات]. ما هي السمات الزلزالية (التماسك، والتحلل الطيفي، وسعة RMS، والانحدار) وبأي ترتيب يجب أن أستخدمه لتسليط الضوء على هذا الهدف؟ ماذا تمثل كل سمة، ما هو النمط المضلل الذي قد تنتجه؟ اشرح باختصار.
2) فحص الأفق التلقائي:
لدي أفق يتم تتبعه تلقائيًا. أعطني قائمة مرجعية لاكتشاف تخطي الدورة: في أي الأقسام، ما هي الأعراض التي يجب أن أبحث عنها (انخفاض السعة، القفز المفاجئ في العمق)، كيف يمكنني التأكد من خلال ربطة البئر، وبأي ترتيب أقوم بالتصحيح؟
3) اختبار السحنة رقم الصف:
أنا أقوم بتجميع الوجهات غير الخاضعة للرقابة. جربت عدد الصفوف 4،6 و8، الخرائط طلعت مختلفة. ما هي المعايير (توزيع حجم العنقود، وتوافق البئر، والاتساق المكاني) التي يجب أن أنظر إليها لتقييم أي العنقود أكثر توازناً جيولوجياً؟ اقتراح إجراء القرار.
4) التحكم في التجهيز الزائد:
لقد قمت بتدريب مصنف السحنات باستخدام ميزات [N] وآبار [M]. كيف يمكنني قياس خطر الإفراط في التجهيز؟ كيف أقوم بإعداد اختبار البئر العمياء، وكيف أحدد عدد السمات بناءً على عدد الآبار؟ إعطاء خطوات قابلة للتنفيذ.
موجه ضعيف / موجه قوي
حث ضعيف:
ابحث عن الخزان في هذا المجلد وقم برسم خريطة له.
"البحث" يتوقع سحرًا من خطوة واحدة؛ ينتج الذكاء الاصطناعي خريطة إحصائية بدون سياق جيولوجي، ولا يمكن التحقق منها.
مطالبة قوية:
دورك: أخصائي تفسير يركز على الخزان. السياق: النظام النهري، رمال القناة المستهدفة، علم الصخور المعروف في 3 آبار. المهمة:(1) اقتراح مجموعة من السمات التي ستسلط الضوء على هندسة القناة؛ (2) كتابة خطوات استخراج السحنات المرشحة عن طريق التجميع غير الخاضع للرقابة؛ (3) أخبرني عن كيفية اختبار كل مرشح بثلاثة آبار وبئر رابع أعمى. اعرض النتيجة بلغة "المرشح"، وليس بلغة "الحقيقة الجيولوجية".
إن السياق الجيولوجي والتحكم في الآبار والطلب على الاختبار الأعمى يجعل الناتج قابلاً للدفاع عنه.
مهام التفسير ودور الذكاء الاصطناعي
كويست
مساهمة الذكاء الاصطناعي
الخطر الرئيسي
التحقق
تتبع الأفق
سرعة عالية
تخطي دورة
ربطة عنق جيدة، فحص القسم البصري
كشف الخطأ
توليد المرشحين
لا تخطئ في خطأ بصمتك
التحكم في الاتجاه/البيانات المتقاطعة
تصنيف الوجوه
التجميع
فئة لا معنى لها
بيئة جيدة وترسيب
دمج السمات
تمييز قوي
التجهيز الزائد
اختبار البئر الأعمى
الأخطاء الشائعة
- التوزيع التلقائي للأفق دون فحص بصري. يؤدي تخطي الدورة إلى إنتاج سطح أملس ولكن غير دقيق.
- الخلط بين كل نمط خطي وخطأ. بصمة الاستحواذ تنتج خطوطًا منتظمة، انظر إلى اتجاهها.
- - إسناد المعنى الجيولوجي المباشر لصنف السحنات. الطبقة إحصائية. منطقي مع البئر.
- المزيد من السمات، وعدد أقل من الآبار. يؤدي التجهيز الزائد إلى تحويل الخريطة إلى قمامة بين الآبار.
- تخطي الاختبار الأعمى. إن قياس الدقة في آبار التدريب فقط هو أمر مضلل.
باختصار
الذكاء الاصطناعي في التفسير الزلزالي؛ فهو يقلل من تتبع الأفق/الخطأ إلى ساعات، ويجمع السمات بسرعة، ويجمع السمات بقوة. لكن كل زيادة في السرعة لها فخ: تخطي الدورة، والخلط بين البصمة والخطأ، والوجهات التي لا معنى لها، والتركيب الزائد. يقوم الذكاء الاصطناعي بإنتاج مخطط إحصائي؛ وهو المفسر الذي يحول المسودة إلى واقع جيولوجي، ويعقلها بمعرفة البئر والبيئة الترسبية، ويختبرها بالاختبار الأعمى. إن النموذج السري النهائي هو دائمًا النموذج الذي أنشأه الإنسان ودافع عنه.
مهمة التطبيق
حدد هدفًا (رمال القناة، صودا الخبز، وما إلى ذلك). قم بإنشاء خطة سمة باستخدام قالب "استشارة اختيار السمة". ثم استخدم نموذج "اختبار عدد فئات الوجه" للتجميع غير الخاضع للرقابة وقارن بين اثنين على الأقل من أعداد الفئات المختلفة؛ اكتب أيهما أكثر استقرارًا جيولوجيًا وأي اختبار جيد ستستخدمه للتحقق من ذلك.
قائمة مرجعية
- [ ] لقد قمت بفحص الأفق التلقائي بصريًا في الأقسام الرئيسية وقمت بتصحيح تخطي الدورة.
- [ ] لقد قمت بفصل مرشحي الخطأ عن البصمة باستخدام بيانات الاتجاه والتقاطع.
- [ ] قمت بتفسير فصول السحنات مع بيئة البئر والترسب.
- [ ] قمت بتحديد عدد السمات بناءً على عدد الآبار.
- [ ] لقد اختبرت النتيجة في بئر عمياء.