سود:
- درک نحوه جمعآوری دادههای بازتاب لرزهای، نقش هوش مصنوعی در تفسیر افق و گسل، و چندمعنی وارونگی.
- امکان مکان یابی عیب، ردیابی افق و نقشه برداری رخساره با ویژگی های لرزه ای و یادگیری ماشینی
- توانایی آزمایش خروجی هوش مصنوعی لرزه ای با اتصال چاه، قابل قبول بودن زمین شناسی و عدم قطعیت
چشم اکتشاف نفت و گاز روش انعکاس لرزه ای است. یک منبع انرژی کنترل شده روی سطح (کامیون ارتعاشی در خشکی، تفنگ بادی در دریا) موج صوتی را به زیر زمین می فرستد. این امواج از مرزهای لایه های مختلف سنگ منعکس شده و به گیرنده های (ژئوفون/هیدروفون) روی سطح باز می گردند. سطح مقطع زیرزمین را از زمان رسیدن و دامنه بازتاب ها استنباط می کنیم. نتیجه حجم عظیمی از داده های سه بعدی است که کیلومترها عمق را «نشان می دهد». اما این تصویر مستقیماً یک عکس نیست. این سیگنال غیر مستقیم، پر سر و صدا و قابل تفسیر است. در این واحد از هوش مصنوعی در سه بخش تفسیر لرزهای استفاده میکنیم: ردیابی افق (سطح بازتاب)، تشخیص خطا (شکستگی) و استخراج رخساره/سیال از ویژگیهای لرزهای. و اجازه دهید مهم ترین مفهوم این واحد را تکرار کنیم: وارونگی لرزه ای بسیار منطقی است - مدل های زیرسطحی متعدد می توانند داده های مشابهی را توضیح دهند. بنابراین خروجی هوش مصنوعی بدون اتصال با داده های چاه دقیق نیست.
بیایید با داده های لرزه ای آشنا شویم
چند اصطلاح اساسی:
- افق: سطح بازتابی قابل ردیابی مربوط به مرز یک لایه زمین شناسی واحد در حجم لرزه ای. مفسر با «دنبال کردن» این سطوح، شکل ساختار را استنباط می کند.
- گسل: صفحه ای که در آن سنگ شکسته و جابجا شده است. به صورت ناپیوستگی / تغییر در بازتاب ها ظاهر می شود. ممکن است یک تله هیدروکربنی یا راه فرار باشد.
- ویژگی لرزه ای: اندازه گیری های حاصل از دامنه خام (دامنه، پیوستگی، انسجام، جدایی طیفی، شیب / شیب). به عنوان نشانگر خطا و رخساره استفاده می شود.
- وارونگی: فرآیند تغییر از دامنه بازتاب به امپدانس صوتی سنگ (چگالی × سرعت). با سنگ شناسی و تخلخل همراه است.
- اتصال چاه: ارتباط داده های عمق/سرعت واقعی در چاه به محور زمان لرزه ای. تفسیر لرزه ای را به حقیقت زمین لنگر می دهد.
نکته: لرزه ای در محور زمان (زمان رفت و برگشت موج)، چاه ها در محور عمق هستند. هیچ تفسیر لرزه ای بدون اتصال خوبی که این دو را به هم متصل می کند قابل اعتماد نیست. خروجی هوش مصنوعی نیز باید روی این پیوند باشد.
هوش مصنوعی قوی در تفسیر لرزهای کجاست؟
تشخیص عیب گسل های با انسجام و کیفیت های مشابه به صورت ناپیوستگی ظاهر می شوند. یادگیری ماشینی (مخصوصاً شبکه های عصبی کانولوشنال) به سرعت این الگوها را در حجم زیاد علامت گذاری می کند. نقشه برداری خطا که روزها به صورت دستی طول می کشد، به ساعت ها کاهش می یابد.
ردیابی افق این مدل می تواند به طور خودکار بازتاب را در حجم سه بعدی از نقطه شروع ردیابی کند. پیش نویسی تولید می کند که مفسر فقط باید آن را تصحیح کند.
استخراج رخساره و مایعات از چندین ویژگی (همجوشی ویژگی) محیط رسوبی یا جداسازی احتمالی گاز/آب (به عنوان مثال "نقطه روشن" - دامنه بالا ناشی از گاز) را می توان طبقه بندی کرد.
زمینه مشترک: هوش مصنوعی یک پیش نویس نظر تولید می کند. مفسر آن را با اعتبار زمین شناسی تصحیح می کند و با چاه پیوند می دهد.
چند معنایی و پیوند چاه
حد اساسی وارونگی لرزه ای غیر منحصر به فرد بودن است: ترکیبات امپدانس / سنگ شناسی / سیال مختلف می توانند داده های دامنه یکسانی را تولید کنند. یک "نقطه روشن" می تواند گاز باشد، اما همچنین می تواند یک لایه زغال سنگ یا فقط یک تغییر در سنگ شناسی باشد. هوش مصنوعی یک راه حل "بهترین مناسب" برای داده ها ایجاد می کند. اما آنچه که به بهترین وجه مناسب است آن چیزی نیست که درست است.
راه حل: محدودیت چاه. داده های گزارش و تولید چاه های حفر شده در میدان حقایق مستقلی هستند که تفسیر لرزه ای را محدود می کنند. آیا منطقه گازی که با هوش مصنوعی مشخص شده است، واقعاً در چاهی که از آن نقطه عبور می کند، گاز تولید کرده است؟ آیا خطا با همبستگی چاه سازگار است؟ خروجی لرزه ای هوش مصنوعی بدون اتصال چاه یک فرضیه است.
احتیاط: وضوح لرزه ای محدود است. معمولاً نمیتوان لایههای زیر چند ده متر را جدا کرد ("محدودیت جدایی"). اگر هوش مصنوعی یک لایه مخزن نازک را "واضح" نشان دهد، ممکن است تفسیر بیش از حد زیر این وضوح وجود داشته باشد. ادعای مدل را زیر سوال ببرید که لایه های نازک را به طور قابل اعتمادی حل می کند.
سه مورد کوچک: با اعداد
مورد 1 - سرعت نگاشت خطا. تفسیر خطا در حجم سه بعدی (تقریباً 1200 کیلومتر مربع) سه هفته کار دستی بود. یک مدل آموزش دیده بر روی ویژگی انسجام، سیستم خطای اصلی را در یک روز مشخص کرد. بازبین 85 درصد آن را تأیید کرد و باید 15 درصد (ناپیوستگی های کاذب ناشی از نویز) را حذف می کرد. سود خالص زیاد بود، اما حذف انسانی ضروری بود.
مورد 2 - تله نقطه روشن. مدل یک نقطه روشن قوی در یک سازه پیدا کرد و آن را به عنوان "گاز احتمالی" علامت گذاری کرد. تیم این موضوع را با اشتیاق ارزیابی کرد. با این حال، چاهی که قبلاً در این منطقه حفر شده بود، شیل زغال سنگ را دقیقاً در آن سطح نشان داد. نقطه روشن نه از گاز، بلکه از امپدانس کم زغال سنگ به وجود آمد. چسباندن خوب از تصمیم گران قیمت برای جابجایی نادرست جلوگیری کرد.
مورد 3 - محدودیت وضوح. هوش مصنوعی یک لایه 8 متری "مخزن با کیفیت" را از وارونگی گزارش کرد. حد تفکیک در فرکانس غالب لرزه ای ~ 15 متر بود. این ضخامت را نمی توان با اطمینان توسط لرزه ای حل کرد. مفسر این لایه را مجدداً به عنوان "احتمال، وضوح فرعی، تایید چاه مورد نیاز" نامگذاری کرد. نظرات بیش از حد گرفتار شد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
گسل ها و مناطق گازی این طبیعت لرزه ای را پیدا کنید.[خلاصه داده ها]
اعلان قدرتمند:
یک تفسیر ساختاری DRAFT را از خلاصه ویژگی/تفسیر لرزه ای زیر ایجاد کنید. قوانین: - نامزدهای خطا را به عنوان "عیب های احتمالی" فهرست کنید. برای هر کدام، بنویسید که از کدام ویژگی (انسجام/شیب) پشتیبانی استخراج کرده اید. منابع نویز احتمالی را جداگانه علامت گذاری کنید. - وجود ناهنجاری های نقطه روشن/دامنه با احتمال مضاعف "می تواند گاز باشد اما می تواند زغال سنگ/ سنگ شناسی نیز باشد". الزامات اتصال چاه را مشخص کنید. - مرز جداسازی لرزه ای را در نظر بگیرید. ادعاهای لایه نازک رزولوشن فرعی را به عنوان "تفکیک پذیری فرعی، تایید مورد نیاز" علامت گذاری کنید. - هیچ تعبیری را به عنوان «قطعی» ارائه نکنید; بنویسید که با کدام دادههای چاه کوچکتر شوید. دادهها: [ویژگی/خلاصه نظر]
چهار قالب قابل کپی
1) اسکن نامزد خطا:
نامزدهای خطا را از خلاصه ناپیوستگی/انسجام زیر فهرست کنید. برای هر نامزد: جهت گیری، تداوم، منبع نویز احتمالی، سطح اطمینان (کم/متوسط/بالا). چه کنترل اضافی برای جداسازی خطای واقعی از مصنوع مورد نیاز است؟ داده ها: [خلاصه]
2) احتمال دوگانه ناهنجاری دامنه:
تمام توضیحات قابل قبول برای ناهنجاری دامنه زیر (گاز، زغال سنگ، سنگ شناسی، فشرده سازی) را فهرست کنید. امضای امپدانس مورد انتظار را برای هر کدام بنویسید و مشخص کنید کدام یک با داده های چاه تجزیه می شود. روی یک توضیح تمرکز نکنید. داده ها: [ناهنجاری]
3) چک لیست خوب گره بزنید:
ایجاد چک لیست برای اتصال تفسیر لرزه ای به چاه: مدل سرعت، تطبیق لرزه نگاری مصنوعی، بررسی فاز/قطب، تطبیق افق-نشانگر. اگر در هر مرحله ناسازگاری وجود داشته باشد به چه معناست؟
4) فیلتر نظرات بیش از حد:
ادعاهای موجود در آن تفسیر لرزه ای را برای تفکیک بررسی کنید. تخمین حد جداسازی از فرکانس و سرعت غالب. ادعای ضخامت زیر این را به عنوان "تفکیک پذیری فرعی" علامت گذاری کنید. نظر: [خلاصه]، فرکانس/سرعت: [مقدار]
شواهد و تایید لرزه ای
مورد
آنچه می دهد
مرز
راستی آزمایی
دامنه خام
ساختار بازتابی
نویز، وضوح
کیفیت پردازش
کیفیت (انسجام / شیب)
عیب، ناپیوستگی
ممکن است مصنوع تولید کند
حذف انسان
محلول معکوس (امپدانس)
سرنخ سنگ شناسی/تخلخل
بسیار معنادار
خوب کراوات
طبقه بندی هوش مصنوعی
پیش نویس سریع
بستگی به داده های آموزشی دارد
زمین شناسی + خوب
خوب ورود/آزمایش
حقیقت زمین
اندازه گیری نقطه ای
لنگر (قابل اعتمادترین)
اشتباهات رایج
- دور زدن بند چاه اشتباه گرفتن تفسیر لرزه ای واقعی بدون اتصال زمان-عمق/چاه.
- تمرکز بر یک توضیح واحد. اعلام سریع نقطه روشن "گاز" و حذف احتمال زغال سنگ / سنگ شناسی.
- نادیده گرفتن محدودیت وضوح برای گزارش "واضح" لایه نازکی که توسط لرزه ای قابل حل نیست.
- اشتباه گرفتن مصنوع با خطا. در نظر گرفتن نویز و پردازش آثار به عنوان ساختار واقعی.
- با تکیه بر امتیاز اطمینان مدل. اشتباه گرفتن نمره بالا برای دقت زمین شناسی.
به طور خلاصه
- لرزه ای یک نمای غیرمستقیم و پر سر و صدا از سطح زیرین است. راه حل معکوس بسیار منطقی است.
- هوش مصنوعی نقشه های قدرتمندی را در تشخیص خطا، ردیابی افق و ترکیب ویژگی ها تولید می کند. اما حذف انسانی و قابل قبول بودن زمین شناسی ضروری است.
- هر خروجی لرزه ای هوش مصنوعی یک فرضیه است بدون اینکه توسط داده های چاه و چاه محدود شود.
- ناهنجاری های دامنه را در یک توضیح قفل نکنید. احتمال دو / چندگانه را در نظر بگیرید.
- ادعاهای زیر حد تفکیک لرزه ای بیش از حد تفسیر می شوند. آن را با تگ "تایید مورد نیاز" علامت گذاری کنید.
وظیفه کاربردی
یک سناریوی تفسیر لرزه ای (نمایش): یک ناهنجاری دامنه و چندین نامزد خطا. یک پیش نویس نظر ساختاری با یک اعلان قدرتمند تهیه کنید. سپس: (1) حداقل دو توضیح غیر گازی برای ناهنجاری بنویسید، (2) نشان دهید که کدام داده های چاه را متمایز می کند، (3) نشان می دهد که کدام یک از نامزدهای خطا می تواند نویز باشد. اگر فرکانس و سرعت غالب را میدهید، از مدل بخواهید ادعای یک لایه رزولوشن فرعی را بررسی کند.
چک لیست
- [ ] میدانم که دادههای لرزهای غیرمستقیم، نویزدار، و وضوح محدود هستند.
- [ ] من پیش نویس های خطا/افق/ویژگی را با هوش مصنوعی تولید می کنم و آنها را با حذف انسانی تصحیح می کنم.
- [ ] با دانستن چندمعنی راه حل معکوس، تفسیر را به پیوند چاه و داده های چاه محدود می کنم.
- [ ] من ناهنجاری های دامنه را با احتمالات متعدد بدون قفل کردن آنها در یک توضیح واحد در نظر می گیرم.
- [ ] من ادعاهای مربوط به قطعنامه فرعی را به عنوان تفسیر بیش از حد پرچم گذاری می کنم.