سود:
- امکان تشخیص پرش چرخه در ردیابی خودکار افق و ردپای اکتساب در تشخیص عیب از ساختار واقعی و بازرسی دستی آن
- درک کنید که طبقات رخساره های لرزه ای آماری هستند و می توانند با آگاهی از چاه ها و محیط های رسوبی معنی زمین شناسی بسازند.
- امکان تست خطر بیش از حد برازش در ترکیب ویژگی با تست چاه کور و محدود کردن تعداد ویژگی ها با توجه به تعداد چاه ها
پردازش به پایان رسید؛ شما یک حجم لرزه ای تمیز و مهاجرتی دارید. اکنون سوال اصلی شروع می شود: این تصویر در مورد زیرزمین چه می گوید؟ مرزهای لایه کجا هستند، گسل ها در کدام جهت گسترش می یابند، کدام ناحیه ماسه است، کدام خاک رس است، کجا ممکن است مخزنی وجود داشته باشد؟ تفسیر لرزه ای فرآیند استخراج مدل ساختاری و رسوبی (چینه شناسی) زیرسطحی از داده های مهاجرت شده است. در این واحد، خواهیم دید که چگونه هوش مصنوعی (AI) یک «پیشنویس سریع» در ردیابی افق و خطا، طبقهبندی رخسارههای لرزهای و تحلیل ویژگیها ایجاد میکند، اما چه کسی معنای زمینشناسی و مدل نهایی را میسازد.
بلوک های سازنده تفسیر
بیایید شرایط را روشن کنیم. افق سطح بازتابی پیوسته ای است که در بخش لرزه ای مشاهده می شود و به طور کلی با یک مرز لایه زمین شناسی مطابقت دارد. گسل صفحه ای از ناپیوستگی است که در آن لایه ها شکسته و جابجا می شوند. در جاهایی ظاهر می شود که بازتاب ها در سطح مقطع قطع شده یا جابجا می شوند. رخساره های لرزه ای نواحی حجمی هستند که ویژگی موجی مشابهی دارند (دامنه، پیوستگی، بافت) و عموماً محیط رسوبی مشابهی را منعکس می کنند. ویژگیهای لرزهای اندازهگیریهایی هستند که از آثاری به دست میآیند که چشم را به سمت ویژگیهای خاصی هدایت میکنند (ناپیوستگی، شیب، دامنه، فرکانس). به عنوان مثال، ویژگی انسجام/تداوم خطاها را برجسته می کند و تجزیه طیفی هندسه کانال را برجسته می کند.
هوش مصنوعی در افق و ردیابی خطا
ردیابی دستی افق زمانی است که مفسر یک بازتاب را بخش به بخش دنبال میکند و هزاران نقطه را علامتگذاری میکند - دقیق اما کند. ردیابهای خودکار مبتنی بر هوش مصنوعی میتوانند از چند نقطه شروع و در کل حجم پخش شوند. در تشخیص خطا، مدلهای مبتنی بر CNN (شبکههای یادگیری الگوی تصویر) میتوانند ناپیوستگیها را در سرتاسر حجم مشخص کنند. این کار آن چیزی را که هفتهها به صورت دستی طول میکشید را به ساعت تبدیل میکند.
با این حال، دو تله وجود دارد. اول، ردیاب خودکار میتواند یک افق را دور بزند - از یک تاج موج به یک تاج همسایه تغییر مکان دهد. نتیجه یک سطح به ظاهر صاف اما از نظر زمین شناسی نادرست است. دوم، ردیاب خطا ممکن است نویز خطی تولید شده توسط پردازش (به عنوان مثال، ردپای اکتساب) را به عنوان یک خطا اشتباه بگیرد. به همین دلیل است که هر سطح و شبکه خطای تولید شده توسط هوش مصنوعی به صورت دستی در تقاطع ها (تقاطع افق خطا) و مکان های چاه بررسی می شود.
نکته: یک افق ردیابی خودکار را در چندین بخش کلیدی با همپوشانی آن بر روی خود داده ها به صورت بصری نظارت کنید. سطح چرخهای را پشت سر گذاشته است، جایی که بازتابی قوی به جا میگذارد و به یک قله ضعیف میپرد. بدون اصلاح دستی این نواحی صدا را پخش نکنید.
طبقه بندی رخساره های لرزه ای
طبقه بندی رخساره وظیفه تقسیم حجم به مناطق بر اساس کاراکتر موج است. در رویکرد نظارت شده، شما برچسب هایی را از سنگ شناسی های شناخته شده در چاه ها اختصاص می دهید و مدل را آموزش می دهید. در رویکرد بدون نظارت، خود مدل مناطقی را با ویژگیهای مشابه خوشهبندی میکند و بعداً معنای زمینشناسی میدهید. هوش مصنوعی در اینجا سرعت بالایی را ارائه می دهد، اما کلاس ها شباهت آماری هستند، نه واقعیت زمین شناسی. منطقه ای که مدل آن را " رخساره 3" می نامد، تنها با آگاهی از چاه و محیط رسوبی، معنایی مانند "شن کانال" به دست می آورد.
توجه: شما تعداد کلاس های خوشه بندی بدون نظارت را ارائه می کنید. تعداد متفاوتی از کلاس ها نقشه های کاملا متفاوتی تولید می کنند. در یک خوشه قفل نشوید. تعداد کلاس ها را تغییر دهید و آزمایش کنید که آیا نتیجه از نظر زمین شناسی پایدار است یا خیر.
دام در تحلیل ویژگی: رابطه چند متغیره
هوش مصنوعی می تواند ده ها ویژگی را با هم ترکیب کند و طبقه بندی کننده های قدرتمندی بسازد. اما تلاش برای تطبیق تعداد زیادی از ویژگی ها به تعداد کمی از چاه ها منجر به بیش از حد برازش می شود - ناتوانی مدل در به خاطر سپردن نمونه های آموزشی و تعمیم به داده های جدید: نقشه در چاه ها کامل و بین چاه ها بی معنی است. قانون: تعداد ویژگی ها را متناسب با داده های کنترل (چاه) نگه دارید و نقشه را در یک چاه مستقل آزمایش کنید (آزمایش کور).
سه کیف کوچک
مورد 1 - ردیابی افق به ساعت. افق مخزن اصلی در حجم 900 کیلومتر مربع به صورت دستی در 9 روز مشخص شد. ردیاب هوش مصنوعی سطح را از 6 نقطه بذر در 3 ساعت پخش کرد. بازبین به صورت دستی ناحیه رد شدن 14 چرخه را تصحیح کرد. نتیجه: همان دقت، یک روز به جای روز.
مورد 2 - اشتباه گرفتن رد پا با یک خطا. یک آشکارساز خطا خطوط منظم شمالی-جنوبی را مشخص کرده است. مفسر متوجه شد که این خطوط دقیقاً با فاصله خطوط اکتساب مطابقت دارد: آنها خطا نبودند، بلکه ردپای اکتساب بودند. گسل های واقعی عمود بر این الگوی منظم بودند. وقتی ردپای حذف شد، نقشه گسل معنادار شد.
مورد 3 - بیش از حد برازش نقشه رخساره. طبقهبندیکنندهای که با 22 ویژگی و تنها 5 چاه آموزش داده شده بود، دقت 98 درصدی را روی چاهها نشان داد، اما ماسهسنگ را در چاه ششم (کور) به عنوان سنگ رس طبقهبندی کرد. هنگامی که تعداد ویژگی ها به 6 کاهش یافت و مجدداً آموزش دیدند، دقت چاه کور از 61٪ به 88٪ افزایش یافت: نقشه در بین چاه ها نیز قابل اعتماد بود.
چهار قالب قابل کپی
1) مشاوره انتخاب ویژگی:
نقش شما: کارشناس تفسیر لرزه ای. هدف من: [مخزن ماسه کانال رودخانه / مخزن کربنات]. کدام ویژگیهای لرزهای (انسجام، تجزیه طیفی، دامنه RMS، شیب) و به چه ترتیبی باید برای برجسته کردن این هدف استفاده کنم؟ هر ویژگی چه چیزی را نشان می دهد، چه الگوی گمراه کننده ای ممکن است ایجاد کند؟ مختصر توضیح دهید.
2) بازرسی افق خودکار:
من یک افق ردیابی خودکار دارم. یک چک لیست برای تشخیص پرش چرخه به من بدهید: در کدام بخش ها، کدام علائم را باید جستجو کنم (افت دامنه، پرش ناگهانی عمق)، چگونه با اتصال چاه تأیید کنم، و به چه ترتیبی اصلاح را انجام دهم؟
3) تست شماره کلاس رخساره:
من در حال انجام خوشه بندی رخساره های بدون نظارت هستم. من تعداد کلاس های 4 و 6 و 8 رو امتحان کردم نقشه ها جور دیگه ای در اومد. چه معیارهایی (توزیع اندازه خوشه، سازگاری چاه، سازگاری فضایی) برای ارزیابی اینکه کدام خوشه از نظر زمین شناسی متعادل تر است را باید بررسی کنم؟ یک روش تصمیم گیری را پیشنهاد کنید.
4) کنترل بیش از حد برازش:
من یک طبقهبندیکننده رخسارهای با ویژگیهای [N] و چاههای [M] آموزش دادم. چگونه می توانم خطر بیش از حد مناسب را اندازه گیری کنم؟ چگونه تست چاه کور را تنظیم کنم، چگونه تعداد ویژگی ها را بر اساس تعداد چاه ها محدود کنم؟ گام های قابل اجرا بردارید.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
مخزن را در این جلد پیدا کنید و آن را نقشه برداری کنید.
"یافتن" انتظار جادوی یک مرحله ای را دارد. هوش مصنوعی یک نقشه آماری بدون زمینه زمین شناسی تولید می کند، نمی توان آن را تأیید کرد.
اعلان قدرتمند:
نقش شما: متخصص تفسیر مخزن محور. زمینه: سیستم رودخانه ای، شن و ماسه کانال هدف، لیتولوژی شناخته شده در 3 چاه. وظیفه: (1) ترکیبی از ویژگی هایی را پیشنهاد می کند که هندسه کانال را برجسته می کند. (2) مراحل استخراج رخساره های نامزد را با خوشه بندی بدون نظارت بنویسید. (3) به من بگویید چگونه هر داوطلب را با 3 چاه و یک چاه چهارم کور آزمایش کنم. نتیجه را به زبان «کاندیدا» ارائه کنید نه به زبان «واقعیت زمین شناسی».
زمینه زمین شناسی، کنترل چاه، و تقاضا برای آزمایش کور، خروجی را قابل دفاع می کند.
وظایف تفسیری و نقش هوش مصنوعی
تلاش
سهم هوش مصنوعی
ریسک اصلی
تایید
ردیابی افق
سرعت بالا
چرخه پرش
خوب کراوات، بازرسی بخش بصری
تشخیص عیب
ایجاد نامزدها
جای پای خود را با خطا اشتباه نگیرید
جهت/کنترل داده متقاطع
طبقه بندی رخساره ها
خوشه بندی
کلاس بی معنی
خوب و محیط رسوبی
ادغام صفت
تمایز قوی
بیش از حد
تست چاه کور
اشتباهات رایج
- پخش خودکار افق بدون بازرسی بصری. چرخه پرش سطح صاف اما نادرست تولید می کند.
- اشتباه گرفتن هر الگوی خطی با یک خطا. ردپای اکتساب خطوط منظمی ایجاد می کند، به جهت آن نگاه کنید.
- نسبت دادن معنای مستقیم زمین شناسی به طبقه رخساره. کلاس آماری است. با چاه معنا پیدا کنید.
- ویژگی های بیشتر، چاه های کمتر. نصب بیش از حد نقشه را به زباله بین چاه تبدیل می کند.
- از آزمون کور بگذرید. اندازه گیری دقت فقط در چاه های آموزشی گمراه کننده است.
به طور خلاصه
هوش مصنوعی در تفسیر لرزه ای. ردیابی افق/عیب را به ساعت کاهش میدهد، رخسارهها را به سرعت خوشهبندی میکند، و ویژگیها را به شدت ترکیب میکند. اما هر افزایش سرعت یک تله دارد: رد شدن از چرخه، اشتباه گرفتن ردپای با خطا، رخساره های بی معنی، بیش از حد برازش. هوش مصنوعی یک طرح کلی آماری ایجاد می کند. او مفسری است که پیش نویس را به واقعیت زمین شناسی تبدیل می کند، با آگاهی از چاه و محیط رسوبی آن را معنا می کند و با آزمونی کور می آزماید. مدل نهایی زیرزمینی همیشه همان است که توسط انسان ایجاد و از آن دفاع می شود.
وظیفه کاربردی
یک هدف (شن کانال، جوش شیرین و غیره) را انتخاب کنید. با الگوی "مشاوره انتخاب ویژگی" یک پلن ویژگی ایجاد کنید. سپس از الگوی "تست شمارش کلاس های رخساره" برای خوشه بندی بدون نظارت استفاده کنید و حداقل دو تعداد کلاس های مختلف را مقایسه کنید. بنویسید که کدام یک از نظر زمین شناسی پایدارتر است و از کدام آزمایش چاهی برای تأیید این موضوع استفاده خواهید کرد.
چک لیست
- [ ] من افق خودکار را در بخش های کلیدی به صورت بصری بررسی کردم و پرش چرخه را اصلاح کردم.
- [ ] من نامزدهای خطا را از ردپای با داده های جهت و متقاطع جدا کردم.
- [ ] من طبقات رخساره را با محیط چاه و رسوب تفسیر کردم.
- [ ] تعداد مشخصه ها را بر اساس تعداد چاه ها محدود کردم.
- [ ] من نتیجه را در یک چاه کور آزمایش کردم.