داده های میدانی، سیاهههای مربوط به حفاری و طبقه بندی سنگ شناسی

سود:

• توانایی ساختار و طبقه بندی سنگ شناسی سیاهههای مربوط به حفاری، توضیحات هسته و یادداشت های میدانی با هوش مصنوعی
• امکان تبدیل مشاهدات میدانی متن آزاد به اصطلاحات و جداول استاندارد زمین شناسی
• توانایی تأیید تفاسیر سنگ‌شناسی ایجاد شده توسط هوش مصنوعی با عکاسی هسته، منحنی‌های ورود و اعتبار چینه‌شناسی

ماده اولیه مهندسی زمین شناسی داده است و بیشتر این داده ها به طور نامنظم متولد می شوند. توضیحات اصلی که در یک سایت نگهداری می شوند، متون رایگانی هستند که با کلمات مختلف توسط زمین شناسان مختلف نوشته شده اند. لاگ های یک کمپین حفاری در قالب های مختلف، در واحدهای مختلف، گاهی به صورت دستی و گاهی دیجیتالی نگهداری می شد. یادداشت های دفتر صحرایی پر از اختصارات و عادت های شخصی است. در این واحد، ملموس‌ترین و ایمن‌ترین حوزه سود هوش مصنوعی را پوشش می‌دهیم: ساختار داده‌های میدانی پراکنده (ترجمه آن به جداول قابل استعلام)، استانداردسازی آن (برآوردن آن به اصطلاحات رایج) و طبقه‌بندی سنگ‌شناسی اولیه (جداسازی نوع سنگ). اما بیایید از ابتدا بگوییم: هوش مصنوعی داده ها را سازماندهی می کند، مهندس تفسیر زمین شناسی را تایید می کند.

بیایید ابتدا دو اصطلاح کلیدی را روشن کنیم. سیاهه گمانه رکوردی از خواص اندازه گیری شده در برابر عمق در طول چاه است. این اندازه گیری ها می توانند زمین شناسی (سنگ شناسی، هوازدگی) یا ژئوفیزیکی (اشعه گاما، مقاومت، چگالی) باشند. هسته (هسته انگلیسی) یک نمونه سنگ استوانه ای است که با حفاری از زیر زمین استخراج می شود. این با ارزش ترین شواهد است زیرا امکان مشاهده مستقیم زیرزمین را فراهم می کند. سنگ شناسی نوع و ویژگی فیزیکی سنگ (مانند ماسه سنگ، سنگ آهک، شیل) است.

ساختار متن آزاد

یک زمین شناس صحرایی توضیحی می نویسد: "0-3.2 متر قهوه ای، سست، شن رسی، رده بندی ضعیف؛ 3.2-7.5 متر خاکستری، هوازدگی متوسط، ماسه سنگ دانه ریز متوسط با سیمان کربناته کم؛ 7.5-12 متر خاکستری روشن، جامد، سنگ آهک رگه ای شکافدار، متر، این جمله در واقع یک نسخه فشرده از جدول است: محدوده عمق، رنگ، درجه هوازدگی، سنگ شناسی، اندازه دانه، ویژگی های ثانویه. هوش مصنوعی این را از حالت فشرده خارج می کند.

نکته مهم این است: از مدل برای تبدیل بخواهید، نه استنتاج. به عبارت دیگر، اطلاعاتی که به وضوح در متن نوشته شده است را در فیلدها قرار دهید. آنچه در متن نیست را درست نکنید. برای میدان "درجه هوازدگی"، اگر زمین شناس نوشته است "متوسط ​​هوازدگی"، مدل این را می نویسد. اگر زمین شناس هیچ کدام را مشخص نکرده است، مدل باید «نامشخص» را بنویسد و با یک مقدار مناسب نباشد. این تمایز اساس یکپارچگی داده ها است.

گام به گام: تبدیل یک کتاب اصلی به صفحه گسترده

1. شما ابتدا طرحواره را تعریف کنید. کدام ستون ها خواهد بود: عمق_بالا، عمق_پایین، سنگ شناسی، رنگ، اندازه_دانه، هوازدگی، ناپیوستگی، معدنی_ثانویه، یادداشت. شما طرح واره را به مدل تحمیل می کنید تا خروجی سازگار باشد.
2. دیکشنری استاندارد را بدهید. اصطلاحات مجاز برای سنگ شناسی (ماسه سنگ، سیلت سنگ، سنگ آهک، مارن، سنگ رسی، کنگلومرا...) و مقیاس هوازدگی (تازه، سبک، متوسط، بالا، کامل) را ذکر کنید. بنابراین، عباراتی مانند "کمی هوازدگی" استاندارد می شود.
3. دسته کوچک را پردازش کنید. کل نوت بوک را نه یکباره، بلکه در دسته های 20-30 خطی بدهید. اشتباهات را زود متوجه می شوید.
4. به منبع برگردید و تأیید کنید. سطرهای تصادفی جدول به دست آمده را با متن خام مقایسه کنید. به ویژه محدودیت های عمق و اصطلاحات سنگ شناسی.

طبقه‌بندی سنگ‌شناسی: از سیاهه‌ها تا تفسیر

هوش مصنوعی از لیتولوژی به دو صورت پشتیبانی می کند. اولین مورد استاندارد کردن تعریف زمین شناس به شرح بالا است. دومین و پیشرفته‌تر، تخمین سنگ‌شناسی از منحنی‌های ورود به سیستم ژئوفیزیکی است. به عنوان مثال، ثبت اشعه گاما (رادیواکتیویته طبیعی سنگ) با محتوای رس افزایش می یابد. سطوح رسی ارزش بالایی دارند، ماسه‌سنگ‌های تمیز و سنگ‌های آهکی ارزش کمی دارند. با افزودن لاگ‌های مقاومت و چگالی، مدل می‌تواند مرزهای لیتولوژی را از الگوهای منحنی پیشنهاد کند.

محدودیت در اینجا مهم است: سیاههها اندازه گیری های غیر مستقیم هستند. گامای بالا می تواند خاک رس، ماسه غنی از فلدسپات یا خاکستر آتشفشانی باشد. بنابراین، پیش‌بینی سنگ‌شناسی مبتنی بر log یک فرضیه است. قطعی نیست مگر اینکه با هسته یا برش (تراشه های سنگی که در حین حفاری به سطح می آیند) متصل شود. هنگامی که مدل یک مرز را ترسیم می کند، بپرسید که آیا هسته ای در آن عمق وجود دارد یا خیر. اگر وجود داشته باشد، هسته برنده است.

سه مورد کوچک: با اعداد

مورد 1 - سازگاری استاندارد. در یک شرکت معدنی، 6 زمین شناس مختلف از 11 عبارت مختلف برای "گرانیت هوازده" (آب زدگی، تغییر، پوسیده، رسی...) استفاده کردند. استانداردسازی به کمک هوش مصنوعی پایگاه داده 4800 ردیفی را در مقیاس تجزیه 5 سطحی قرار داد. پس از آن، پرس و جو "مناطق با تفکیک متوسط ​​و زیاد" چند ثانیه طول کشید، در حالی که قبلا چند روز طول می کشید. تصادفی 10٪ از استانداردسازی توسط هسته بررسی شد، توافق بالا بود.

مورد 2 - پیش نویس اولیه همبستگی گزارش. همبستگی سنگ شناسی از سیاهههای مربوط به گاما در دو چاه مجاور (فاصله 150 متر) ساخته می شود. این مدل یک همبستگی مقدماتی را پیشنهاد کرد که با چهار سطح رایج مطابقت داشت و اختلاف ضخامت را در یک سطح به عنوان "عیب یا بریدگی احتمالی" علامت گذاری کرد. هنگامی که مهندس به هسته منطقه مشخص شده نگاه کرد، یک گسل بسیار کوچک را پیدا کرد. مدل پاسخ قطعی نداد، اما توجه را به جای مناسب جلب کرد.

مورد 3 - گرفتن حاشیه ساخته شده. در یک چاه، مدل یک سنگ شناسی "بازالت" را به فاصله 40-45 متری اختصاص داد که هیچ داده اصلی برای آن وجود نداشت. بازالت در منطقه انتظار نمی رفت. فقط افزایش گاما در ضبط وجود دارد. فیلتر معقولیت زمین شناسی فعال شد، یک نمونه کلاس از آن فاصله درخواست شد و سطح سیلت سنگ رسی مشخص شد. مدل گامای بالا را اشتباه تعبیر کرده بود.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

این تعاریف اصلی را به یک جدول تبدیل کنید.[text]

اعلان قدرتمند:

شرح هسته متن رایگان زیر را به دیاگرام داده شده ترجمه کنید. هیچ قسمتی را که به وضوح در متن نوشته نشده است پر نکنید. در غیر این صورت "نامشخص" را بنویسید. طرحواره (ستون ها): depth_ust_m | عمق_زیر_متر | سنگ شناسی | رنگ |اندازه_دانه | تفکیک | ناپیوستگی | ثانویه_معدنی | توجه: اصطلاحات سنگ شناسی مجاز: ماسه سنگ، سیلت سنگ، سنگ رسی، سنگ آهک، مارن، کنگلومرا، سیست، گرانیت، بازالت. اگر عبارتی در لیست نیست، "?" یک دلیل را در یادداشت علامت بزنید و بنویسید. مقیاس تبعیض: تازه | نور | وسط | بالا | بالا | متن کامل: [توضیحات اصلی]

اعلان قدرتمند طرحواره، فرهنگ لغت و "ممنوعیت ساختگی" را با هم تحمیل می کند. خروجی هم سازگار و هم قابل ممیزی است.

چهار قالب قابل کپی

1) استانداردسازی نوت بوک میدانی:

یادداشت فیلد زیر را به اصطلاحات استاندارد ترجمه کنید. اختصارات را باز کنید (مانند "stone" -> "sandstone")، اما محتوا را تغییر ندهید. عبارات مبهم را به عنوان "[مبهم]" علامت گذاری کنید و عبارت اصلی را در پرانتز حفظ کنید. توجه: [یادداشت میدانی]

2) فرضیه سنگ شناسی مبتنی بر لاگ:

مرزهای لیتولوژی ممکن را از داده‌های گزارش زیر (عمق، گاما، مقاومت، چگالی) پیشنهاد کنید. برای هر مرز، بنویسید: (الف) از کدام تغییر منحنی آن را استخراج می‌کنید، (ب) امکان سنگ‌شناسی جایگزین، (ج) نیاز به تأیید هسته‌ای. هیچ مرزی را به عنوان «حتمی» معرفی نکنید. داده ها: [جدول ثبت نام]

3) طرح همبستگی دو چاه:

لاگ های Well-A و Well-B را مقایسه کنید. سطوح تطابق، دلیل تطبیق، و ناهماهنگ/مناطق مشکوک را جداگانه فهرست کنید. برچسب خطا، فرسایش یا رخساره به عنوان "باید تایید شود" تغییر می کند. داده ها: [دو سیاهه چاه]

4) کنترل کیفیت داده ها:

به دنبال خطاهای منطقی در جدول سنگ شناسی زیر بگردید: همپوشانی محدوده های عمق، شکاف ها، ترازهای غیرممکن، ناسازگاری های واحد، اصطلاحات غیرمجاز. یافته ها را به عنوان جدول "شماره ردیف | مشکل | پیشنهاد" گزارش کنید. داده ها را تصحیح نکنید، فقط آن را علامت گذاری کنید. جدول: [جدول سنگ شناسی]

سلسله مراتب اثبات احراز هویت

نوع مدرک

مستقیم بودن

قابلیت اطمینان

زمان استفاده

هسته (هسته)

مستقیم ترین

بالاترین

مرزهای سنگ شناسی بحرانی

خرده نان (برش)

متوسط

بالا

در غیاب هسته

لاگ ژئوفیزیک

غیر مستقیم

متوسط

نمایه پیوسته، پر کردن شکاف

پیش بینی مدل

مشتق شده است

کم (به تنهایی)

فرضیه، غربالگری

یادداشت متنی رایگان

متغیر

بستگی به زمین شناس داره

زمینه اضافی

نکته: هنگام کمک به هوش مصنوعی برای یافتن مرزهای لیتولوژی، "مرز احتمالی و سطح اطمینان" را بپرسید، نه "مرز دقیق". هسته دقت می دهد، نه مدل. سپس خروجی به یک ابزار غربالگری تبدیل می شود، نه ادعای نادرست قطعیت.

احتیاط: مدل تمایل دارد محدوده‌های عمقی را که در داده‌ها نیستند پر کند تا "هیچ شکافی باقی نماند". این می تواند سنگ شناسی جعلی ایجاد کند، به خصوص در مناطق با از دست دادن هسته. مناطق از دست رفته هسته را به وضوح علامت گذاری کنید و به مدل دستور دهید که «در صورت عدم وجود داده، خالی بگذارد».

اشتباهات رایج

• به دنبال استنتاج به جای دگرگونی. انتظار از مدل برای "حدس زدن" آنچه در متن نیست. این درها را به روی داده های جعلی باز می کند. فقط ساختاری که نوشته شده است.
• ارائه نکردن فرهنگ لغت استاندارد اجازه دادن به اصطلاحات رایگان؛ نتیجه یک تصویر غیرقابل انکار و متناقض است.
• پذیرش برآورد گزارش به عنوان دقیق. در نظر گرفتن اندازه گیری های غیر مستقیم (گاما، مقاومت) به تنهایی به عنوان شواهد سنگ شناسی. برای انتقال مرزها به امضا بدون اتصال آنها با هسته / خرده.
• برای پنهان کردن مناطق از دست رفته اصلی. پر کردن شکاف های داده در مدل؛ فضا باید فضا باقی بماند.
• پردازش به صورت دسته ای و هرگز بررسی نمی شود. ترجمه نکردن هزاران ردیف در یک زمان و انجام بررسی نمونه تصادفی.

به طور خلاصه

• هوش مصنوعی کارایی ایمن و بالا را در ساختار، استانداردسازی و طبقه‌بندی سنگ‌شناسی اولیه داده‌های میدانی پراکنده فراهم می‌کند.
• درخواست تغییر از مدل، نه استنتاج. آنچه در متن نیست را درست نکنید، "نامشخص" را چاپ کنید.
• برآورد سنگ شناسی مبتنی بر ورود به سیستم غیر مستقیم و یک فرضیه است. تا زمانی که به نمونه های هسته و خرده وصل نشود نمی توان آن را تایید کرد.
• شما طرحواره و فرهنگ لغت استاندارد را تحمیل می کنید. تنها در این صورت خروجی سازگار و قابل کنترل خواهد بود.
• حفاری هسته در بالای سلسله مراتب شواهد قرار دارد. در پایین، پیش‌بینی مدل به تنهایی کافی نیست.

وظیفه کاربردی

15 تا 20 خط از دفترچه یادداشت میدانی یا توضیحات اصلی که دارید بردارید (اطلاعات زمینه محرمانه را ناشناس کنید). ابتدا طرحواره و فرهنگ لغت لیتولوژی/آب و هوای مجاز خود را تعریف کنید، سپس آن را به یک جدول با دستور قدرتمند ترجمه کنید. هر سطر از جدول به دست آمده را با متن خام مقایسه کنید و هر قسمتی را که مدل اشتباه کرده یا جابجا کرده است علامت گذاری کنید. بررسی کنید که آیا حداقل یک قسمت "نامشخص" به درستی خالی است یا خیر.

چک لیست

• [ ] من می توانم مشاهدات میدان متن آزاد را به یک جدول ساختار یافته با نمودارها و فرهنگ لغت استاندارد تبدیل کنم.
• [ ] من قانون «نامشخص» را اعمال می‌کنم که می‌خواهم تغییری از مدل داشته باشم و آن را متناسب با چیزی که وجود ندارد، نمی‌سازم.
• [ ] من درک می کنم که تخمین سنگ شناسی مبتنی بر log یک فرضیه غیرمستقیم است و باید به هسته مرتبط شود.
• [ ] من از دست دادن هسته و مناطق شکاف داده را علامت گذاری می کنم و از برازش جلوگیری می کنم.
• [ ] من خروجی را مطابق سلسله مراتب شواهد (core > crumb > log > model) تأیید می کنم.