Gevinster:
- Evne til at skelne cyklusspring i automatisk horisontsporing og erhvervelsesfodaftrykket i fejldetektion fra den virkelige struktur og manuelt inspicere det
- Forstå, at seismiske facies-klasser er statistiske og være i stand til at give geologisk mening med viden om brønde og aflejringsmiljøer.
- Mulighed for at teste risikoen for overfitting i kombination med blindbrøndtesten og begrænse antallet af funktioner i henhold til antallet af brønde
Forarbejdningen er afsluttet; Du har et rent, migreret seismisk volumen. Nu begynder det virkelige spørgsmål: hvad siger dette billede om undergrunden? Hvor er laggrænserne, i hvilken retning strækker forkastningerne sig, hvilket område er sand, hvilket er ler, hvor kan der være et reservoir? Seismisk fortolkning er processen med at udvinde den strukturelle og sedimentære (stratigrafiske) model af undergrunden fra migrerede data. I denne enhed vil vi se, hvordan kunstig intelligens (AI) producerer et "hurtigt første udkast" i horisont- og fejlsporing, seismisk facies-klassificering og attributanalyse, men hvem bygger den geologiske mening og endelige model.
Byggesten til fortolkning
Lad os præcisere vilkårene. Horisont er den kontinuerlige reflekterende overflade, der observeres i det seismiske snit og generelt svarer til en geologisk laggrænse. En fejl er et diskontinuitetsplan, hvor lag knækker og skifter; Det vises på steder, hvor refleksioner er afbrudt eller forskudt i tværsnittet. Seismiske facies er volumenområder, der har lignende bølgekarakter (amplitude, kontinuitet, tekstur) og generelt afspejler et lignende sedimentært miljø. Seismiske attributter er målinger afledt af spor, der leder øjet til bestemte træk (diskontinuitet, hældning, amplitude, frekvens); for eksempel fremhæver kohærens/kontinuitetsattributten fejl, og den spektrale nedbrydning fremhæver kanalgeometrier.
AI i horisont og fejlsporing
Manuel horisontsporing er, når tolken sporer en refleksion sektion for sektion og markerer tusindvis af punkter - nøjagtigt, men langsomt. AI-baserede automatiske trackere kan starte fra et par seed points og spredes over hele volumen; Ved fejldetektion kan CNN-baserede modeller (billedmønsterindlæringsnetværk) markere diskontinuiteter i hele volumen. Dette skærer det, der plejede at tage uger i hånden, til timer.
Der er dog to fælder. For det første kan den automatiske tracker springe over en horisont – skifte fra en bølgetop til en nabotop; Resultatet er en tilsyneladende glat, men geologisk unøjagtig overflade. For det andet kan fejldetektoren forveksle behandlingsgenereret lineær støj (f.eks. optagelsesfodaftryk) som en fejl. Det er derfor, at hvert overflade- og fejlnetværk, der genereres af AI, inspiceres manuelt ved kryds (fejl-horisont-kryds) og brøndplaceringer.
Tip: Overvåg visuelt en automatisk sporet horisont i flere nøglesektioner ved at overlejre den på selve dataene. Overfladen er sprunget over, hvor den efterlader en kraftig refleksion og springer til en svag top; Spred ikke volumen uden at korrigere disse områder manuelt.
Seismisk facies klassificering
Facies-klassificering er opgaven med at opdele volumen i regioner efter bølgekarakter. I den overvågede tilgang tildeler du etiketter fra kendte litologier i brøndene og træner modellen; I den uovervågede tilgang samler modellen selv regioner med lignende karakteristika, og du giver geologisk betydning senere. AI giver stor hastighed her, men klasser er statistisk lighed, ikke geologisk kendsgerning. Den region, som modellen kalder "facies 3", får kun en betydning som "kanalsand" med viden om brønden og aflejringsmiljøet.
Bemærk: Du angiver antallet af uovervågede klyngeklasser; Forskellige antal klasser producerer helt forskellige kort. Bliv ikke låst ind i en enkelt klynge; Ændre antallet af klasser og test, om resultatet forbliver geologisk stabilt.
Faldgrube i funktionsanalyse: multivariat forhold
AI kan kombinere snesevis af funktioner og bygge kraftfulde klassifikationer. Men at prøve at tilpasse et stort antal funktioner til et lille antal brønde resulterer i overfitting - modellens manglende evne til at huske træningseksempler og generalisere til nye data: kortet er perfekt i brønde og meningsløst mellem brønde. Regel: Hold antallet af funktioner proportionalt med kontroldataene (brønd), og test kortet i en uafhængig brønd (blindtest).
tre minisager
Case 1 — Horisontsporing ned til timer. Hovedreservoirhorisonten i et volumen på 900 km² blev markeret manuelt på 9 dage. AI-trackeren spredte overfladen fra 6 frøpunkter på 3 timer; Korrekturlæseren korrigerede manuelt 14-cyklus-overspringsområdet. Resultat: samme nøjagtighed, én dag i stedet for dage.
Case 2 — At forveksle et fodaftryk med en fejl. En fejldetektor markerede regelmæssige nord-syd-linjer. Kommentatoren bemærkede, at disse linjer svarede nøjagtigt til optagelseslinjeafstanden: de var ikke fejl, men optagelsesfodspor. De faktiske fejl løb vinkelret på dette regulære mønster; Da fodsporet blev elimineret, fik fejlkortet meningsfuldt.
Case 3 — Overfitting facies map. En klassifikator trænet med 22 funktioner og kun 5 brønde gav 98% nøjagtighed på brøndene, men klassificerede sandsten som lersten i den sjette (blinde) brønd. Da antallet af funktioner blev reduceret til 6 og genoptrænet, steg blindbrøndens nøjagtighed fra 61 % til 88 %: kortet var også pålideligt på tværs af brønde.
Fire kopierbare skabeloner
1) Konsultation om valg af egenskaber:
Din rolle: seismisk fortolkningsekspert. Mit mål: [fluvial kanalsand / carbonatreservoir]. Hvilke seismiske attributter (kohærens, spektral nedbrydning, RMS-amplitude, hældning) og i hvilken rækkefølge skal jeg bruge for at fremhæve dette mål? Hvad repræsenterer hver egenskab, hvilket vildledende mønster kan det frembringe? Forklar kort.
2) Automatisk horisontinspektion:
Jeg har en automatisk sporet horisont. Giv mig en tjekliste til detektering af cyklusspring: i hvilke afsnit, hvilke symptomer skal jeg kigge efter (amplitudefald, pludseligt dybdespring), hvordan bekræfter jeg med brøndbindingen, og i hvilken rækkefølge foretager jeg rettelsen?
3) Facies klassenummer test:
Jeg laver uovervåget facies-klynger. Jeg prøvede antallet af klasser 4,6 og 8, kortene kom anderledes ud. Hvilke kriterier (klyngestørrelsesfordeling, brøndkompatibilitet, rumlig konsistens) skal jeg se på for at vurdere, hvilken klynge der er mere geologisk afbalanceret? Foreslå en beslutningsprocedure.
4) Overmonteringskontrol:
Jeg trænede en faciesklassificering med [N] funktioner og [M] brønde. Hvordan måler jeg risikoen for overfitting? Hvordan opsætter jeg en blindbrøndtest, hvordan begrænser jeg antallet af attributter baseret på antallet af brønde? Giv handlingsrettede trin.
Svag prompt / Stærk prompt
Svag prompt:
Find reservoiret i dette volumen og kortlæg det.
"Find" forventer et-trins magi; AI producerer et statistisk kort uden geologisk kontekst, det kan ikke verificeres.
Kraftig prompt:
Din rolle: reservoir-fokuseret fortolkningsspecialist. Kontekst: fluvialsystem, målkanalsand, litologi kendt i 3 brønde. Opgave:(1) foreslå en kombination af attributter, der fremhæver kanalgeometrien; (2) skriv trinene til at udtrække kandidatfacies ved uovervåget klyngedannelse; (3) Fortæl mig, hvordan man tester hver kandidat med 3 brønde og en blind 4. brønd. Præsenter resultatet i "kandidat" sprog, ikke "geologisk fakta" sprog.
Geologisk kontekst, brøndkontrol og kravet om blindtest gør output forsvarligt.
Fortolkningsopgaver og AI's rolle
Quest
AI-bidrag
Hovedrisiko
verifikation
Horisont sporing
høj hastighed
Cykelspring
Brøndbinde, visuel snitinspektion
fejlfinding
Generering af kandidater
Forveksle ikke dit fodaftryk med en fejl
Retning/krydsdatakontrol
Facies klassificering
klyngedannelse
meningsløs klasse
Brønd og aflejringsmiljø
Attributsammenlægning
stærk skelnen
overfitting
blindbrøndtest
Almindelige fejl
- Automatisk spredning af horisonten uden visuel inspektion. Cyklusoverspring giver en glat, men unøjagtig overflade.
- Forveksler hvert lineært mønster med en fejl. Opkøbet fodaftryk producerer regelmæssige linjer, se på dens retning.
- At tillægge faciesklassen direkte geologisk betydning. Klasse er statistisk; Giv mening med brønden.
- Flere egenskaber, færre brønde. Overfitting gør kortet til affald mellem brønde.
- Spring blindtesten over. Kun at måle nøjagtighed i træningsbrønde er vildledende.
Sammenfattende
AI i seismisk fortolkning; Det reducerer horisont/fejlsporing til timer, grupperer hurtigt facies og kombinerer attributter effektivt. Men hver hastighedsforøgelse har en fælde: cyklusspring, at forveksle et fodaftryk med en fejl, meningsløse ansigter, overtilpasning. AI producerer en statistisk oversigt; Han er tolken, der gør udkastet til geologisk virkelighed, giver mening ud af det med viden om brønden og aflejringsmiljøet og tester det med en blindtest. Den ultimative undergrundsmodel er altid den, der er etableret og forsvaret af mennesket.
Ansøgningsopgave
Vælg et mål (kanalsand, bagepulver osv.). Opret en attributplan med skabelonen "Attributvalgskonsultation". Brug derefter skabelonen "Facies class count testing" til uovervåget clustering og sammenlign mindst to forskellige klassetællinger; Skriv ned, hvilken der er mere geologisk stabil, og hvilken brøndtest du vil bruge til at verificere dette.
tjekliste
- [ ] Jeg inspicerede visuelt den automatiske horisont i nøglesektioner og korrigerede cyklusspringet.
- [ ] Jeg adskilte fejlkandidaterne fra fodsporet med retnings- og krydsningsdata.
- [ ] Jeg fortolkede facies-klasserne med brønden og aflejringsmiljøet.
- [ ] Jeg begrænsede antallet af attributter baseret på antallet af brønde.
- [ ] Jeg testede resultatet i en blindbrønd.