Voitot:
- Kyky erottaa syklin ohitus automaattisessa horisonttiseurannassa ja hankintajalanjälki vian havaitsemisessa todellisesta rakenteesta ja tarkastaa se manuaalisesti
- Ymmärrä, että seismiset facies-luokat ovat tilastollisia ja pysty muodostamaan geologinen merkitys tietäen kaivot ja laskeumaympäristöt.
- Kyky testata ylisovitusriskiä ominaisuusyhdistelmässä sokkokaivon testin kanssa ja rajoittaa ominaisuuksien määrää kaivojen lukumäärän mukaan
Käsittely on valmis; Sinulla on puhdas, siirtynyt seisminen tilavuus. Nyt alkaa todellinen kysymys: mitä tämä kuva kertoo maanalaisesta? Missä ovat kerrosten rajat, mihin suuntaan virheet ulottuvat, mikä alue on hiekkaa, mikä savea, missä voisi olla säiliö? Seisminen tulkinta on prosessi, jossa maanalaisen pinnan rakenteellinen ja sedimenttinen (stratigraafinen) malli poimitaan siirtyneistä tiedoista. Tässä osiossa näemme kuinka tekoäly (AI) tuottaa "nopean ensimmäisen luonnoksen" horisontissa ja vianseurannassa, seismisessä facies luokituksessa ja ominaisuusanalyysissä, mutta kuka rakentaa geologisen merkityksen ja lopullisen mallin.
Tulkinnan rakennuspalikoita
Selvennetään ehtoja. Horisontti on seismisessä osassa havaittu jatkuva heijastava pinta, joka yleensä vastaa geologista kerroksen rajaa. Vika on epäjatkuvuuden taso, jossa kerrokset katkeavat ja siirtyvät; Se näkyy paikoissa, joissa heijastukset katkeavat tai siirtyvät poikkileikkauksessa. Seismiset faasiat ovat tilavuusalueita, joilla on samanlainen aaltotyyppi (amplitudi, jatkuvuus, rakenne) ja jotka yleensä heijastavat samanlaista sedimenttiympäristöä. Seismiset attribuutit ovat mittauksia, jotka on johdettu jäljistä, jotka ohjaavat silmän tiettyihin piirteisiin (epäjatkuvuus, kaltevuus, amplitudi, taajuus); esimerkiksi koherenssi/jatkuvuus-attribuutti korostaa viat ja spektrihajotus korostaa kanavien geometrioita.
AI horisontissa ja vianseuranta
Manuaalinen horisonttiseuranta on, kun tulkki jäljittää heijastuksen osilta ja merkitsee tuhansia pisteitä – tarkasti mutta hitaasti. Tekoälypohjaiset automaattiset seurantalaitteet voivat alkaa muutamasta siemenpisteestä ja levitä koko äänenvoimakkuudelle; Viantunnistuksessa CNN-pohjaiset mallit (kuvamallin oppimisverkot) voivat merkitä epäjatkuvuuksia koko äänenvoimakkuuteen. Tämä leikkaa aiemmin viikkoja kestäneen tunteiksi.
On kuitenkin kaksi ansaa. Ensinnäkin automaattinen seurantalaite voi pyöräillä ohittaa horisontin – siirtymällä yhdestä aallonharjasta viereiseen harjaan; Tuloksena on näennäisesti sileä, mutta geologisesti epätarkka pinta. Toiseksi vianilmaisin voi luulla prosessoinnin synnyttämän lineaarisen kohinan (esim. hankintajalanjäljen) viaksi. Siksi jokainen tekoälyn synnyttämä pinta- ja vikaverkko tarkastetaan manuaalisesti risteyksissä (vikahorisontin risteys) ja kaivojen paikoissa.
Vinkki: Tarkkaile visuaalisesti automaattisesti seurattua horisonttia useissa keskeisissä osissa peittämällä se itse tietojen päällä. Pinta on ohitettu, jos se jättää voimakkaan heijastuksen ja hyppää heikompaan huippuun; Älä levitä tilavuutta korjaamatta näitä alueita manuaalisesti.
Seismisen faciesin luokitus
Facies-luokitus on tehtävä tilavuuden jakamisesta alueisiin aallon luonteen mukaan. Valvotussa lähestymistavassa annat kuoppiin tunnetuista litologioista merkintöjä ja harjoittelet mallia; Valvomattomassa lähestymistavassa malli itsessään klusteroi alueita, joilla on samanlaiset ominaisuudet ja annat geologisen merkityksen myöhemmin. AI tarjoaa suuren nopeuden tässä, mutta luokat ovat tilastollinen samankaltaisuus, eivät geologinen tosiasia. Alue, jota malli kutsuu "faciesiksi 3", saa vain merkityksen, kuten "kanavahiekka", kun tiedetään kaivo ja laskeumaympäristö.
Huomio: Annat valvomattomien klusterointiluokkien määrän; Eri määrä luokkia tuottaa täysin erilaisia karttoja. Älä jää kiinni yhteen klusteriin; Muuta luokkien määrää ja testaa, pysyykö tulos geologisesti vakaana.
Ominaisuusanalyysin sudenkuoppa: monimuuttujasuhde
Tekoäly voi yhdistää kymmeniä ominaisuuksia ja rakentaa tehokkaita luokittimia. Mutta jos yritetään sovittaa suuri määrä ominaisuuksia pieneen määrään kaivoja, seurauksena on ylisovitus - mallin kyvyttömyys muistaa koulutusesimerkkejä ja yleistää uusiin tietoihin: kartta on täydellinen kaivoissa ja merkityksetön kaivojen välissä. Sääntö: pidä kohteiden lukumäärä verrannollinen kontrollitietoihin (kuoppa) ja testaa kartta itsenäisessä kaivossa (sokkotesti).
kolme minilaukkua
Tapaus 1 – Horisontin seuranta tunteihin asti. Pääsäiliöhorisontti 900 km²:n tilavuudessa merkittiin manuaalisesti 9 päivässä. AI-seurantalaite levitti pinnan 6 siemenpisteestä 3 tunnissa; Arvioija korjasi manuaalisesti 14 jakson ohitusalueen. Tulos: sama tarkkuus, yksi päivä päivien sijaan.
Tapaus 2 – Jalanjäljen pitäminen virheenä. Vikailmaisin merkitsi säännöllisiä pohjois-etelä-linjat. Kommentaattori huomasi, että nämä rivit vastasivat täsmälleen hankintariviväliä: ne eivät olleet vikoja, vaan hankintajalanjälkiä. Todelliset viat kulkivat kohtisuorassa tähän säännölliseen kuvioon nähden; Kun jalanjälki oli poistettu, vikakartta tuli mielekkääksi.
Tapaus 3 — Ylisovitusfacies-kartta. Luokittelija, joka oli koulutettu 22 ominaisuudella ja vain 5 kaivolla, antoi 98 % tarkkuuden kaivoille, mutta luokitteli hiekkakiven savikiveksi kuudennessa (sokeassa) kaivossa. Kun ominaisuuksien määrä vähennettiin kuuteen ja koulutettiin uudelleen, sokkokaivon tarkkuus nousi 61 prosentista 88 prosenttiin: kartta oli myös luotettava kaivoissa.
Neljä kopioitavaa mallia
1) Ominaisuuksien valintakonsultointi:
Tehtäväsi: seismisen tulkinnan asiantuntija. Kohteeni: [virtauskanavan hiekka-/karbonaattisäiliö]. Mitä seismiset attribuutit (koherenssi, spektrihajoaminen, RMS-amplitudi, kaltevuus) ja missä järjestyksessä tätä tavoitetta tulisi käyttää? Mitä kukin attribuutti edustaa, minkä harhaanjohtavan mallin se voi tuottaa? Selitä lyhyesti.
2) Automaattinen horisonttitarkastus:
Minulla on automaattisesti seurattava horisontti. Anna minulle tarkistuslista syklin ohituksen havaitsemiseksi: mistä osista, mitä oireita minun pitäisi etsiä (amplitudin pudotus, äkillinen syvyyshyppy), miten vahvistan kaivon sidoksella ja missä järjestyksessä teen korjauksen?
3) Facies-luokkanumerotestaus:
Teen valvomatonta facies-klusterointia. Kokeilin luokkien lukumäärää 4,6 ja 8, kartat tulivat eri tavalla. Mitä kriteerejä (klusterin kokojakauma, kaivon yhteensopivuus, alueellinen yhtenäisyys) minun pitäisi tarkastella arvioidakseni, mikä klusteri on geologisesti tasapainoisempi? Ehdota päätöksentekomenettelyä.
4) Yliasennusohjaus:
Koulutin facies-luokittelijan, jossa on [N] piirteitä ja [M] kaivoa. Miten mittaan yliasennusriskiä? Kuinka asetan sokkokaivon testin, kuinka rajoitan attribuuttien määrää kaivojen lukumäärän perusteella? Anna toimivia askelia.
Heikko kehote / Vahva kehote
Heikko kehote:
Etsi säiliö tästä tilavuudesta ja kartoita se.
"Etsi" odottaa yksivaiheista taikuutta; Tekoäly tuottaa tilastollisen kartan ilman geologista kontekstia, sitä ei voida todentaa.
Tehokas kehotus:
Tehtäväsi: säiliökeskeinen tulkkausasiantuntija. Konteksti: fluviaalijärjestelmä, kohdekanavan hiekka, litologia tunnetaan 3 kaivossa. Tehtävä:(1) ehdota attribuuttien yhdistelmää, joka korostaa kanavan geometrian; (2) kirjoittaa vaiheet ehdokasfaciesien erottamiseksi valvomattoman klusteroinnin avulla; (3) Kerro minulle, kuinka jokainen ehdokas testataan 3 kaivolla ja sokealla 4. kaivolla. Esitä tulos "ehdokaskielellä", ei "geologisen tosiasian" kielellä.
Geologinen konteksti, kaivon hallinta ja sokkotestauksen kysyntä tekevät tuotosta puolustettavan.
Tulkkaustehtävät ja tekoälyn rooli
Quest
AI panos
Pääriski
vahvistusta
Horisontin seuranta
suuri nopeus
Kierrä väliin
No solmio, silmämääräinen osan tarkastus
vian havaitseminen
Ehdokkaiden luominen
Älä pidä jalanjälkeäsi virheenä
Suunta-/ristitietojen hallinta
Facies-luokitus
klusterointi
merkityksetön luokka
Kaivo ja laskeuma ympäristö
Attribuuttien yhdistäminen
vahva ero
ylisovitus
sokekaivon testi
Yleisiä virheitä
- Horisontin automaattinen levittäminen ilman silmämääräistä tarkastusta. Kierrosten ohitus tuottaa tasaisen mutta epätarkan pinnan.
- Jokaisen lineaarisen kuvion erehtyminen viaksi. Hankintajalanjälki tuottaa säännöllisiä viivoja, katso sen suuntaa.
- Suoran geologisen merkityksen antaminen facies-luokalle. Luokka on tilastollinen; Tee järkeä kaivon kanssa.
- Enemmän ominaisuuksia, vähemmän kaivoja. Yliasennus muuttaa kartan roskaksi kaivojen välissä.
- Ohita sokkotesti. Mittaustarkkuuden mittaaminen vain harjoituskaivoissa on harhaanjohtavaa.
Yhteenvetona
AI seismisessä tulkinnassa; Se vähentää horisontin/vianseurannan tunneiksi, klusteroi nopeasti faciest ja yhdistää attribuutteja tehokkaasti. Mutta jokaisessa nopeuden nousussa on ansa: pyöräilyn väliin jääminen, jalanjäljen sekoittaminen viaksi, merkityksettömiä ilmeitä, yliasennus. Tekoäly tuottaa tilastollisen hahmotelman; Hän on tulkki, joka muuttaa luonnoksen geologiseksi todellisuudeksi, järkeilee sen kaivon ja laskeumaympäristön tuntemalla ja testaa sitä sokkotestillä. Lopullinen maanalainen malli on aina ihmisen perustama ja puolustama malli.
Sovellustehtävä
Valitse kohde (kanavahiekka, ruokasooda jne.). Luo attribuuttisuunnitelma "Attribuutin valintakonsultointi" -mallin avulla. Käytä sitten "Facies class count testing" -mallia valvomattomaan klusterointiin ja vertaa vähintään kahta erilaista luokkamäärää. Kirjoita muistiin, kumpi on geologisesti vakaampi ja millä kaivotestillä varmistat tämän.
tarkistuslista
- [ ] Tarkastin silmämääräisesti automaattisen horisontin avainosissa ja korjasin syklin ohituksen.
- [ ] Erotin vikaehdokkaat jalanjäljestä suunta- ja ylitystiedoilla.
- [ ] Tulkisin facies-luokkia kaivon ja laskeumaympäristön avulla.
- [ ] Rajoitin attribuuttien määrää kaivojen lukumäärän perusteella.
- [ ] Testasin tuloksen sokeassa kaivossa.