Kasu:
- Võimalus eristada automaatse horisondi jälgimise tsükli vahelejätmist ja rikete tuvastamisel omandamise jalajälge tegelikust struktuurist ja seda käsitsi kontrollida
- Saage aru, et seismiliste faatsiate klassid on statistilised ja suutma anda geoloogilist tähendust kaevude ja ladestuskeskkondade teadmistega.
- Võimalus testida ülepaigutamise ohtu funktsioonide kombinatsioonis pimekaevude testiga ja piirata funktsioonide arvu vastavalt kaevude arvule
Töötlemine on lõppenud; Teil on puhas, migreerunud seismiline maht. Nüüd algab tõeline küsimus: mida see pilt undergroundi kohta ütleb? Kus on kihi piirid, mis suunas ulatuvad rikked, mis ala on liiv, milline savi, kus võiks olla veehoidla? Seismiline tõlgendus on protsess, mille käigus eraldatakse rännatud andmetest aluspinna struktuurne ja setteline (stratigraafiline) mudel. Selles üksuses näeme, kuidas tehisintellekt (AI) loob "kiire esimese mustandi" horisondi ja rikete jälgimise, seismiliste faatsite klassifitseerimise ja atribuutide analüüsi osas, kuid kes koostab geoloogilise tähenduse ja lõpliku mudeli.
Tõlgenduse ehituskivid
Teeme tingimused selgeks. Horisont on seismilises lõigus vaadeldav pidev peegelduspind, mis üldiselt vastab geoloogilise kihi piirile. Rike on katkestuse tasapind, kus kihid purunevad ja nihkuvad; See ilmneb kohtades, kus peegeldused on ristlõikes katkenud või nihkunud. Seismilised faatsid on mahupiirkonnad, millel on sarnane laine iseloom (amplituud, pidevus, tekstuur) ja mis üldiselt peegeldavad sarnast settekeskkonda. Seismilised atribuudid on mõõtmised, mis on saadud jälgedest, mis suunavad silma teatud tunnustele (katkestus, kalle, amplituud, sagedus); näiteks atribuut koherentsus/järjepidevus tõstab esile vead ja spektraalne lagunemine toob esile kanali geomeetria.
AI silmapiiril ja vigade jälgimine
Manuaalne horisondi jälgimine on siis, kui tõlk jälgib peegeldust lõikude kaupa ja märgib tuhandeid punkte – täpselt, kuid aeglaselt. AI-põhised automaatsed jälgijad võivad alata mõnest algpunktist ja levida kogu helitugevuse ulatuses; Vigade tuvastamisel võivad CNN-põhised mudelid (pildimustri õppimise võrgud) märkida katkestusi kogu helitugevuses. See jagab selle, mis varem nädalaid kulus, tundideks.
Siiski on kaks lõksu. Esiteks saab automaatne jälgija rattaga horisondi vahele jätta – nihkudes ühelt laineharjalt naaberharjale; Tulemuseks on pealtnäha sile, kuid geoloogiliselt ebatäpne pind. Teiseks võib tõrkedetektor lugeda töötluse tekitatud lineaarset müra (nt omandamise jalajälge) veaks. Seetõttu kontrollitakse iga tehisintellekti loodud pinda ja rikkevõrku käsitsi ristmikel (rikke-horisondi ristmik) ja kaevude asukohtades.
Näpunäide. Jälgige visuaalselt automaatselt jälgitavat horisonti mitmes peamises jaotises, kattes selle andmetele endale. Pinnal on tsükkel vahele jäetud, kus see jätab tugeva peegelduse ja hüppab nõrga tipuni; Ärge hajutage helitugevust ilma neid piirkondi käsitsi korrigeerimata.
Seismiliste faatside klassifikatsioon
Faatsia klassifitseerimine on ülesanne jagada maht piirkondadeks vastavalt laine iseloomule. Järelevalvega lähenemise korral määrate kaevudes tuntud litoloogiate sildid ja treenite mudelit; Järelevalveta lähenemise korral koondab mudel ise sarnaste omadustega piirkonnad ja geoloogilise tähenduse annate hiljem. AI tagab siin suure kiiruse, kuid klassid on statistiline sarnasus, mitte geoloogiline fakt. Piirkond, mida mudel nimetab "facies 3", saab tähenduse nagu "kanaliliiv" ainult siis, kui on teada kaevust ja ladestuskeskkonda.
Tähelepanu: esitate järelevalveta klastrite klasside arvu; Erinevad klasside arvud toodavad täiesti erinevaid kaarte. Ärge sattuge ühte klastrisse; Muutke klasside arvu ja kontrollige, kas tulemus jääb geoloogiliselt stabiilseks.
Funktsioonianalüüsi lõks: mitme muutujaga seos
AI suudab kombineerida kümneid funktsioone ja luua võimsaid klassifikaatoreid. Kuid suure hulga funktsioonide sobitamine väikesele arvule kaevudele toob kaasa ülepaigutamise – mudeli suutmatus meelde jätta treeningnäiteid ja üldistada uutele andmetele: kaart on kaevudes täiuslik ja kaevude vahel mõttetu. Reegel: hoidke objektide arv proportsionaalsena kontrollandmetega (kaev) ja testige kaarti sõltumatus kaevus (pimetest).
kolm minikarpi
Juhtum 1 – horisondi jälgimine tundideni. Peamine veehoidla horisont mahus 900 km² märgiti käsitsi 9 päevaga. AI-jälgija levitas pinna 6 seemnepunktist 3 tunniga; Ülevaataja parandas käsitsi 14 tsükli vahelejätmise ala. Tulemus: sama täpsus, päevade asemel üks päev.
2. juhtum – jalajälje ja vea seostamine. Veadetektor tähistas regulaarseid põhja-lõuna suunalisi jooni. Kommentaator märkas, et need read vastasid täpselt omandamisreavahele: need ei olnud vead, vaid omandamisjäljed. Tegelikud vead jooksid selle korrapärase mustriga risti; Kui jalajälg likvideeriti, sai veakaart sisuliseks.
3. juhtum – faatsiakaardi ülepaigutamine. 22 tunnusega ja ainult 5 kaevuga klassifikaator andis kaevudel 98% täpsuse, kuid klassifitseeris liivakivi savikiviks kuuendas (pimedas) kaevus. Kui funktsioonide arvu vähendati 6-le ja koolitati ümber, tõusis pimekaevude täpsus 61%-lt 88%-le: kaart oli usaldusväärne ka kaevude lõikes.
Neli kopeeritavat malli
1) Atribuutide valiku konsultatsioon:
Teie roll: seismilise tõlgenduse ekspert. Minu sihtmärk: [fluviaalkanali liiva / karbonaadi reservuaar]. Milliseid seismilisi atribuute (koherentsus, spektraalne lagunemine, RMS amplituud, kalle) ja millises järjekorras peaksin selle eesmärgi esiletõstmiseks kasutama? Mida iga atribuut tähistab, millist eksitavat mustrit see võib tekitada? Selgitage lühidalt.
2) automaatne horisondi kontroll:
Mul on automaatselt jälgitav horisont. Andke mulle kontrollnimekiri tsükli vahelejätmise tuvastamiseks: millistest jaotistest, milliseid sümptomeid peaksin otsima (amplituudi langus, järsk sügavushüpe), kuidas kinnitada kaevu sidemega ja millises järjekorras teha parandus?
3) Facies klassinumbri testimine:
Ma teen järelevalveta faatside rühmitamist. Proovisin klasside arvuga 4,6 ja 8, kaardid tulid teistmoodi välja. Milliseid kriteeriume (klastri suuruse jaotus, kaevu ühilduvus, ruumiline järjepidevus) peaksin vaatama, et hinnata, milline klaster on geoloogiliselt tasakaalustatum? Soovitage otsustusmenetlust.
4) Ülepaigutamise juhtimine:
Koolitasin faatsiklassifikaatorit [N] tunnuste ja [M] süvenditega. Kuidas mõõta ülepaigutamise ohtu? Kuidas seadistada pimekaevude testi, kuidas piirata atribuutide arvu kaevude arvu alusel? Andke rakendatavaid samme.
Nõrk viip / Tugev viip
Nõrk viip:
Leidke selles köites reservuaar ja kaardistage see.
“Leia” eeldab üheastmelist maagiat; AI koostab statistilise kaardi ilma geoloogilise kontekstita, seda ei saa kontrollida.
Võimas viip:
Teie roll: reservuaarikeskne tõlkespetsialist. Kontekst: fluviaalsüsteem, sihtkanali liiv, litoloogia tuntud 3 kaevust. Ülesanne:(1) paku välja atribuutide kombinatsioon, mis tõstab esile kanali geomeetria; (2) kirjutage sammud kandidaatfaatsiate eraldamiseks järelevalveta rühmitamise teel; (3) Rääkige mulle, kuidas testida iga kandidaati 3 kaevu ja pimeda 4. süvendiga. Esitage tulemus "kandidaatide", mitte "geoloogiliste faktide" keeles.
Geoloogiline kontekst, kaevude juhtimine ja nõudlus pimetestimise järele muudavad väljundi kaitstavaks.
Tõlgendusülesanded ja tehisintellekti roll
Quest
AI panus
Peamine risk
kontrollimine
Horisondi jälgimine
suur kiirus
Tsükli vahelejätmine
Kaev lips, visuaalne sektsiooni kontroll
vea tuvastamine
Kandidaatide genereerimine
Ärge ajage oma jalajälge veaga
Suuna/ristandmete juhtimine
Faatsia klassifikatsioon
rühmitamine
mõttetu klass
Kaev ja ladestuskeskkond
Atribuutide liitmine
tugev eristus
ülepaigutamine
pimekaevu test
Levinud vead
- Horisondi automaatne hajutamine ilma visuaalse kontrollita. Tsükli vahelejätmine tekitab sileda, kuid ebatäpse pinna.
- Segada iga lineaarset mustrit veaga. Omandamise jalajälg tekitab korrapäraseid jooni, vaadake selle suunda.
- Otsese geoloogilise tähenduse omistamine faatsiaklassile. Klass on statistiline; Mõelge kaevuga.
- Rohkem atribuute, vähem kaevu. Ülepaigutamine muudab kaardi kaevude vahele prügiks.
- Jäta pimetest vahele. Täpsuse mõõtmine ainult õppekaevudes on eksitav.
Kokkuvõttes
AI seismilises tõlgendamises; See vähendab horisondi/tõrkejälgimist tundideks, koondab kiiresti faatsid kokku ja kombineerib atribuute võimsalt. Kuid igal kiiruse suurendamisel on lõks: jalgratta vahelejätmine, jalajälje veaga segi ajamine, mõttetud näod, liigne paigaldamine. AI koostab statistilise ülevaate; Tema on tõlk, kes muudab süvise geoloogiliseks reaalsuseks, mõtestab seda kaevu ja ladestuskeskkonna tundmisega ning testib pimetestiga. Ülim põrandaalune mudel on alati see, mille on loonud ja kaitsnud inimene.
Rakenduse ülesanne
Valige sihtmärk (kanaliliiv, söögisooda jne). Looge atribuutide plaan malliga "Atribuutide valiku konsultatsioon". Seejärel kasutage järelevalveta rühmitamiseks malli „Facies klasside loenduse testimine” ja võrrelge vähemalt kahte erinevat klasside loendust; Kirjutage üles, milline neist on geoloogiliselt stabiilsem ja millist kaevutesti te selle kontrollimiseks kasutate.
kontrollnimekiri
- [ ] Kontrollisin visuaalselt automaatset horisonti võtmelõikudes ja parandasin tsükli vahelejätmist.
- [ ] Eraldasin veakandidaadid jalajäljest suuna- ja ristandmestikuga.
- [ ] Tõlgendasin faatsiaklasse kaevu ja ladestuskeskkonnaga.
- [ ] Piirasin atribuutide arvu kaevude arvu alusel.
- [ ] Testisin tulemust pimedas kaevus.