Feltdata, borelogs og litologisk klassifikation — Kunstig intelligens i geologisk teknik

Gevinster:

Evne til strukturering og litologisk klassificering af borestokke, kernebeskrivelser og feltnoter med AI
Evne til at konvertere fritekstfeltobservationer til standard geologisk terminologi og tabeller
Evne til at verificere AI-genererede litologiske fortolkninger med kernefotografering, logkurver og stratigrafisk plausibilitet

Råmaterialet i geologisk teknik er data, og de fleste af disse data er født uregelmæssigt. Kernebeskrivelser, der opbevares på et sted, er frie tekster skrevet med forskellige ord af forskellige geologer; Logfilerne for en borekampagne blev opbevaret i forskellige formater, i forskellige enheder, nogle gange manuelt og nogle gange digitalt; Noterne i marknotesbogen er fyldt med forkortelser og personlige vaner. I denne enhed dækker vi det mest konkrete og sikreste profitområde for kunstig intelligens: strukturering af spredte feltdata (oversætter dem til forespørgbare tabeller), standardisering (bringer det til almindelig terminologi) og foretager foreløbig litologisk klassificering (klippetypeadskillelse). Men lad os sige det fra begyndelsen: kunstig intelligens organiserer dataene, ingeniøren godkender den geologiske fortolkning.

Lad os først afklare to nøglebegreber. En borehulslog er en registrering af egenskaber målt i forhold til dybden langs en brønd; disse målinger kan være geologiske (litologi, forvitring) eller geofysiske (gammastråler, resistivitet, tæthed). Kerne (engelsk kerne) er en cylindrisk klippeprøve udvundet fra undergrunden ved boring; Det er det mest værdifulde bevis, da det tillader direkte observation af undergrunden. Litologi er klippens type og fysiske karakter (såsom sandsten, kalksten, skifer).

Strukturering af fri tekst

En feltgeolog skriver en beskrivelse: "0-3,2 m brunt, løst, lerholdigt grus, dårligt sorteret; 3,2-7,5 m gråt, moderat forvitret, fin-mellemkornet sandsten med sparsom carbonatcement; 7,5-12 m lysegråt, fast, sprækket kalksten, 9 m kalcitåre." Denne enkelt sætning er faktisk en komprimeret version af en tabel: dybdeområde, farve, grad af forvitring, litologi, kornstørrelse, sekundære egenskaber. Kunstig intelligens dekomprimerer dette.

Det kritiske punkt er dette: spørg modellen om transformation, ikke slutning. Med andre ord, placer informationen tydeligt skrevet i teksten i felterne; Lad være med at finde på det, der ikke står i teksten. For feltet "grad af forvitring", hvis geologen skrev "medium forvitret", skriver modellen dette; Hvis geologen ikke har angivet nogen, skal modellen skrive "uspecificeret" og ikke passe til en værdi. Denne sondring er grundlaget for dataintegritet.

Trin for trin: Gør en kernebog til et regneark

Du definerer skemaet først. Hvilke kolonner vil være: depth_top, depth_bottom, litologi, farve, kornstørrelse, forvitring, diskontinuitet, sekundært_mineral, bemærk. Du pålægger modellen skemaet, så outputtet er konsistent.
Giv standardordbogen. Angiv de tilladte termer for litologi (sandsten, siltsten, kalksten, mergel, lersten, konglomerat...) og skalaen for forvitring (frisk, let, medium, høj, fuld). Dermed bliver udtryk som "lidt forvitret" standard.
Bearbejd lille batch. Giv hele notesbogen ikke på én gang, men i partier på 20-30 linjer; Du fanger fejl tidligt.
Gå tilbage til kilden og bekræft. Sammenlign tilfældige rækker i den resulterende tabel med den rå tekst; især dybdegrænser og litologiske termer.

Litologisk klassificering: Fra logfiler til fortolkning

AI understøtter litologi på to måder. Den første er at standardisere definitionen af geolog som ovenfor. Den anden og mere avancerede er litologisk estimering fra geofysiske logkurver. F.eks. stiger gammastråleloggen (stenens naturlige radioaktivitet) med lerindholdet; Lerholdige niveauer giver høje værdier, rene sandsten og kalksten giver lave værdier. Ved at tilføje resistivitets- og tæthedslogfiler kan modellen foreslå litologigrænser fra kurvemønstre.

Grænsen her er vigtig: logs er indirekte målinger. Høj gamma kan være ler, feldspat-rigt sand eller vulkansk aske. Derfor er log-baseret litologisk forudsigelse en hypotese; Det er ikke endeligt, medmindre det er forbundet med kerne eller spåner (stenspåner, der kommer til overfladen under boring). Når modellen trækker en grænse, så spørg, om der er nogen kerne i den dybde; Hvis der er, vinder kernen.

Tre minietuier: Efter numrene

Case 1 — Standardiseringskonsistens. I et mineselskab brugte 6 forskellige geologer 11 forskellige udtryk for "forvitret granit" (forvitret, ændret, råddent, leret...). Kunstig intelligens-assisteret standardisering placerede databasen med 4.800 rækker på en 5-niveaus nedbrydningsskala; Bagefter tog forespørgslen "medium-højt adskilte zoner" sekunder, hvorimod det tidligere tog dage. Tilfældige 10% af standardiseringen blev kontrolleret af kerne, enigheden var høj.

Case 2 — Log-korrelation foreløbigt udkast. Litologisk korrelation ville blive lavet ud fra gamma-logs i to nabobrønde (150 m fra hinanden). Modellen foreslog en foreløbig korrelation, der matchede fire almindelige niveauer og markerede en tykkelsesforskel på ét niveau som "mulig fejl eller udkiling." Da ingeniøren så på kernen af den markerede zone, fandt han en rigtig lille fejl; Modellen gav ikke det endelige svar, men den henledte opmærksomheden det rigtige sted.

Case 3 — Indfangning af den fremstillede kant. I en brønd tildelte modellen en "basalt" litologi til 40-45 m intervallet, for hvilket der ikke var kernedata. Basalt var ikke forventet i regionen; der var kun gammastigning i optagelsen. Det geologiske plausibilitetsfilter blev aktiveret, en klasseprøve blev anmodet fra det interval, og niveauet viste sig at være leret siltsten. Modellen havde fejlfortolket det høje gamma.

Svag prompt / stærk prompt

Svag prompt:

Konverter disse kernedefinitioner til en tabel.[tekst]

Kraftig prompt:

Den kraftfulde prompt pålægger skemaet, ordbogen og "fabrikationsforbuddet" sammen; Outputtet er både konsistent og kontrollerbart.

Fire kopierbare skabeloner

1) Standardisering af feltnotebook:

Oversæt følgende feltnote til standardterminologi. Åbn forkortelser (f.eks. "sten"->"sandsten"), men skift IKKE indholdet. Marker tvetydige sætninger som "[tvetydig]", og behold den oprindelige sætning i parentes. Bemærk: [feltnote]

2) Log-baseret litologisk hypotese:

Foreslå mulige litologiske grænser fra følgende logdata (dybde, gamma, resistivitet, tæthed). For hver grænse skal du skrive: (a) hvilken kurveændring du udleder den fra, (b) muligheden for en alternativ litologi, (c) behovet for kernebekræftelse. Angiv ikke nogen grænse som "visse". Data: [log tabel]

3) To brønds korrelationsskitse:

Sammenlign Well-A og Well-B logs. Angiv matchende niveauer, matchende årsag og umatchede/mistænkelige zoner separat. Etiketfejl, erosion eller facies ændres som "skal verificeres". Data: [to brøndlogfiler]

4) Datakvalitetskontrol:

Se efter logiske fejl i litologitabellen nedenfor: overlappende dybdeområder, mellemrum, umulige justeringer, enhedsinkonsekvenser, uautoriserede termer. Rapporter resultater som en tabel med "rækkenummer | problem | forslag". RETTIG IKKE data, bare marker det. Tabel: [litologitabel]

Autentificeringsbevishierarki

Bevistype

direktehed

pålidelighed

Hvornår skal bruges

Kerne (kerne)

mest direkte

højest

Kritiske litologiske grænser

Krummen (skæring)

medium

høj

I mangel af kerne

geofysisk log

indirekte

medium

Gennemgående profil, spaltefyldning

Model forudsigelse

afledt

Lav (alene)

Hypotese, screening

Fri tekst note

Variabel

Afhænger af geolog

Yderligere kontekst

Tip: Når du hjælper kunstig intelligens med at finde litologiske grænser, så spørg om "mulig grænse og konfidensniveau", ikke "nøjagtig grænse". Kernen giver nøjagtighed, ikke modellen. Outputtet bliver så et screeningsværktøj, ikke et falsk krav om sikkerhed.

Forsigtig: Modellen har en tendens til at udfylde dybdeområder, der ikke er i dataene, for at "ikke efterlade huller". Det kan producere falsk litologi, især i zoner med kernetab. Markér tydeligt kernetabszoner og instruer modellen om at "lade tom, hvis ingen data".

Almindelige fejl

Søger slutning frem for transformation. Forventer, at modellen "gætter" hvad der ikke står i teksten; Dette åbner døren til falske data. Du skal bare strukturere, hvad der står.
Leverer ikke en standardordbog. Tillader fri terminologi; Resultatet er et ubestrideligt, inkonsistent billede.
Accepter logestimatet som nøjagtigt. Betragtning af indirekte målinger (gamma, resistivitet) alene som bevis på litologi; At flytte grænserne til signaturen uden at binde dem med kerne/krummer.
For at skjule kernetabszoner. Udfylde datahuller i modellen; plads skal forblive plads.
Behandling i batcher og aldrig kontrol. Ikke at oversætte tusindvis af rækker på én gang og foretage stikprøvekontrol.

Sammenfattende

Kunstig intelligens giver sikker og høj effektivitet i strukturering, standardisering og foreløbig litologisk klassificering af spredte feltdata.
Bed om transformation fra modellen, ikke slutning; Lad være med at finde på det, der ikke står i teksten, print "uspecificeret".
Det log-baserede litologiestimat er indirekte og en hypotese; Det kan ikke bekræftes, før det er forbundet til kerne- og krummeprøver.
Du pålægger skemaet og standardordbogen; Først da vil outputtet være konsistent og kontrollerbart.
Kerneboring er øverst i bevishierarkiet; I bunden er modelforudsigelsen alene utilstrækkelig.

Ansøgningsopgave

Tag 15-20 linjer fra en feltnotesbog eller kernebeskrivelse, du har (anonymiser fortrolige feltoplysninger). Definer først dit eget skema og tilladte litologi-/forvitringsordbog, og oversæt det derefter til en tabel med den kraftfulde prompt. Sammenlign hver række i den resulterende tabel med den rå tekst, og marker alle områder, som modellen har fusket eller forlagt; Tjek, om mindst ét "uspecificeret" felt er efterladt korrekt.

tjekliste

[ ] Jeg kan konvertere fritekstfeltobservationer til en tabel struktureret med diagrammer og standardordbog.
[ ] Jeg anvender den "uspecificerede" regel, at jeg ønsker en transformation fra modellen, og at jeg ikke får den til at passe til noget, der ikke eksisterer.
[ ] Jeg forstår, at det log-baserede litologiestimat er en indirekte hypotese og bør knyttes til kernen.
[ ] Jeg markerer kernetab og datagab-zoner og forhindrer tilpasning.
[ ] Jeg validerer output i henhold til bevishierarkiet (kerne > krumme > log > model).