Gains :
- Possibilité de distinguer le saut de cycle dans le suivi automatique de l'horizon et l'empreinte d'acquisition dans la détection de défauts de la structure réelle et de l'inspecter manuellement
- Comprendre que les classes de faciès sismiques sont statistiques et être capable de donner un sens géologique à la connaissance des puits et des environnements de dépôt.
- Possibilité de tester le risque de surajustement dans la combinaison de fonctionnalités avec le test de puits aveugle et de limiter le nombre de fonctionnalités en fonction du nombre de puits
Le traitement est terminé ; Vous disposez d’un volume sismique propre et migré. Maintenant, la vraie question commence : que dit cette image de l’underground ? Où se trouvent les limites des couches, dans quelle direction s'étendent les failles, quelle zone est constituée de sable, laquelle est d'argile, où pourrait-il y avoir un réservoir ? L'interprétation sismique est le processus d'extraction du modèle structurel et sédimentaire (stratigraphique) du sous-sol à partir des données migrées. Dans cette unité, nous verrons comment l'intelligence artificielle (IA) produit une « première ébauche rapide » en matière de suivi de l'horizon et des failles, de classification des faciès sismiques et d'analyse des attributs, mais qui construit la signification géologique et le modèle final.
Éléments constitutifs de l’interprétation
Clarifions les termes. L'horizon est la surface réfléchissante continue observée dans la coupe sismique et correspondant généralement à une limite de couche géologique. Une faille est un plan de discontinuité où les couches se brisent et se déplacent ; Il apparaît aux endroits où les réflexions sont interrompues ou décalées dans la section transversale. Les faciès sismiques sont des régions volumiques qui présentent un caractère ondulatoire similaire (amplitude, continuité, texture) et reflètent généralement un environnement sédimentaire similaire. Les attributs sismiques sont des mesures dérivées de traces qui dirigent l'œil vers certaines caractéristiques (discontinuité, pente, amplitude, fréquence) ; par exemple, l'attribut cohérence/continuité met en évidence les failles et la décomposition spectrale met en évidence les géométries des canaux.
L'IA en horizon et suivi des pannes
Le suivi manuel de l'horizon consiste pour l'interprète à tracer une réflexion section par section et à marquer des milliers de points, de manière précise mais lente. Les trackers automatiques basés sur l'IA peuvent démarrer à partir de quelques points de départ et s'étendre sur l'ensemble du volume ; Dans la détection des défauts, les modèles basés sur CNN (réseaux d'apprentissage de modèles d'images) peuvent marquer des discontinuités dans tout le volume. Cela réduit ce qui prenait des semaines à la main en heures.
Il existe cependant deux pièges. Premièrement, le tracker automatique peut sauter un horizon en passant d’une crête de vague à une crête voisine ; Le résultat est une surface apparemment lisse mais géologiquement inexacte. Deuxièmement, le détecteur de défauts peut confondre le bruit linéaire généré par le traitement (par exemple, l'empreinte d'acquisition) avec un défaut. C'est pourquoi chaque réseau de surface et de faille généré par l'IA est inspecté manuellement aux intersections (intersection faille-horizon) et à l'emplacement des puits.
Astuce : Surveillez visuellement un horizon suivi automatiquement dans plusieurs sections clés en le superposant aux données elles-mêmes. La surface a sauté un cycle là où elle laisse une forte réflexion et passe à un pic faible ; Ne répartissez pas le volume sans corriger ces zones manuellement.
Classification des faciès sismiques
La classification des faciès consiste à diviser le volume en régions en fonction du caractère des vagues. Dans l'approche supervisée, vous attribuez des étiquettes à partir de lithologies connues dans les puits et entraînez le modèle ; Dans l'approche non supervisée, le modèle lui-même regroupe les régions présentant des caractéristiques similaires et vous donnez une signification géologique plus tard. L'IA offre ici une grande vitesse, mais les classes sont des similitudes statistiques et non des faits géologiques. La région que le modèle appelle « faciès 3 » ne prend une signification comme « sable de canal » qu'avec la connaissance du puits et de l'environnement de dépôt.
Attention : Vous indiquez le nombre de classes de clustering non supervisées ; Différents nombres de classes produisent des cartes complètement différentes. Ne vous enfermez pas dans un seul cluster ; Modifiez le nombre de classes et testez si le résultat reste géologiquement stable.
Piège dans l'analyse des caractéristiques : relation multivariée
L’IA peut combiner des dizaines de fonctionnalités et créer de puissants classificateurs. Mais essayer d'adapter un grand nombre de caractéristiques à un petit nombre de puits entraîne un surajustement - l'incapacité du modèle à mémoriser des exemples d'entraînement et à généraliser à de nouvelles données : la carte est parfaite dans les puits et dénuée de sens entre les puits. Règle : conserver le nombre d'entités proportionnel aux données de contrôle (puits) et tester la carte dans un puits indépendant (blind test).
trois mini-cases
Cas 1 — Suivi de l'horizon en heures. L'horizon principal du réservoir d'un volume de 900 km² a été marqué manuellement en 9 jours. Le tracker AI a étendu la surface à partir de 6 points de départ en 3 heures ; L'examinateur a corrigé manuellement la zone de saut de 14 cycles. Résultat : même précision, un jour au lieu de jours.
Cas 2 — Confondre une empreinte avec une faute. Un détecteur de défauts marquait des lignes régulières nord-sud. Le commentateur a remarqué que ces lignes correspondaient exactement à l'espacement des lignes d'acquisition : il ne s'agissait pas de failles, mais d'empreintes d'acquisition. Les failles réelles étaient perpendiculaires à ce schéma régulier ; Une fois l’empreinte éliminée, la carte des failles a pris tout son sens.
Cas 3 — Carte de faciès surajustée. Un classificateur formé avec 22 caractéristiques et seulement 5 puits a donné une précision de 98 % sur les puits, mais a classé le grès comme argile dans le sixième puits (aveugle). Lorsque le nombre d'entités a été réduit à 6 et recyclé, la précision des puits aveugles a augmenté de 61 % à 88 % : la carte était également fiable pour tous les puits.
Quatre modèles copiables
1) Consultation sur la sélection des attributs :
Votre rôle : expert en interprétation sismique. Ma cible : [sable du canal fluvial/réservoir carbonaté]. Quels attributs sismiques (cohérence, décomposition spectrale, amplitude RMS, pente) et dans quel ordre dois-je utiliser pour mettre en évidence cet objectif ? Que représente chaque attribut, quel modèle trompeur pourrait-il produire ? Expliquez brièvement.
2) Inspection automatique de l'horizon :
J'ai un horizon suivi automatiquement. Donnez-moi une check-list pour détecter les sauts de cycle : dans quelles sections, quels symptômes dois-je rechercher (baisse d'amplitude, saut brutal en profondeur), comment confirmer avec la cravate et dans quel ordre faire la correction ?
3) Test du numéro de classe de faciès :
Je fais du regroupement de faciès non supervisé. J'ai essayé le nombre de classes 4,6 et 8, les cartes sont sorties différemment. Quels critères (répartition de la taille des clusters, compatibilité des puits, cohérence spatiale) dois-je prendre en compte pour évaluer quel cluster est le plus équilibré géologiquement ? Proposer une procédure de décision.
4) Contrôle du surapprentissage :
J'ai formé un classificateur de faciès avec des caractéristiques [N] et des puits [M]. Comment mesurer le risque de surapprentissage ? Comment mettre en place un test de puits aveugle, comment limiter le nombre d'attributs en fonction du nombre de puits ? Donnez des mesures concrètes.
Invite faible/Invite forte
Invite faible :
Trouvez le réservoir dans ce volume et cartographiez-le.
« Trouver » s'attend à une magie en une seule étape ; L’IA produit une carte statistique sans contexte géologique, elle ne peut être vérifiée.
Invite puissante :
Votre rôle : spécialiste de l'interprétation axée sur le réservoir. Contexte : système fluvial, sable de canal cible, lithologie connue dans 3 puits. Tâche : (1) suggérer une combinaison d'attributs qui mettront en évidence la géométrie du canal ; (2) écrire les étapes pour extraire les faciès candidats par regroupement non supervisé ; (3) Dites-moi comment tester chaque candidat avec 3 puits et un 4ème puits aveugle. Présentez le résultat dans un langage « candidat », et non dans un langage « fait géologique ».
Le contexte géologique, le contrôle des puits et la demande de tests aveugles rendent les résultats défendables.
Tâches d’interprétation et rôle de l’IA
Quête
Contribution de l'IA
Risque principal
vérification
Suivi d'horizon
haute vitesse
Saut de cycle
Bien cravate, inspection visuelle de la section
détection de défauts
Générer des candidats
Ne confondez pas votre empreinte avec une faute
Contrôle des données directionnelles/croisées
Classement des faciès
regroupement
classe dénuée de sens
Puits et environnement de dépôt
Fusion d'attributs
forte distinction
surapprentissage
test de puits aveugle
Erreurs courantes
- Élargissement automatique de l'horizon sans inspection visuelle. Le saut de cycle produit une surface lisse mais imprécise.
- Prendre chaque motif linéaire pour une faute. L'empreinte d'acquisition produit des lignes régulières, regardez sa direction.
- Attribuer une signification géologique directe à la classe des faciès. La classe est statistique ; Ayez du sens avec le puits.
- Plus d'attributs, moins de puits. Le surajustement transforme la carte en détritus entre les puits.
- Évitez le test à l'aveugle. Mesurer la précision uniquement dans les puits de formation est trompeur.
En résumé
L'IA en interprétation sismique ; Il réduit le suivi de l'horizon/des failles à quelques heures, regroupe rapidement les faciès et combine puissamment les attributs. Mais tout gain de vitesse a son piège : saut de cycle, prise d'une empreinte pour un défaut, faciès dénués de sens, surapprentissage. L'IA produit un aperçu statistique ; Il est l'interprète qui transforme le projet en réalité géologique, lui donne un sens grâce à la connaissance du puits et de l'environnement de dépôt et le teste à l'aveugle. Le modèle souterrain ultime est toujours celui établi et défendu par l’homme.
Tâche de candidature
Sélectionnez une cible (sable de canal, bicarbonate de soude, etc.). Créez un plan d'attributs avec le modèle "Consultation de sélection d'attributs". Utilisez ensuite le modèle « Test du nombre de classes de faciès » pour le regroupement non supervisé et comparez au moins deux comptes de classes différents ; Notez lequel est le plus stable géologiquement et quel test de puits vous utiliserez pour le vérifier.
liste de contrôle
- [ ] J'ai inspecté visuellement l'horizon automatique dans les sections clés et corrigé le saut de cycle.
- [ ] J'ai séparé les candidats à la faute de l'empreinte avec des données de direction et de croisement.
- [ ] J'ai interprété les classes de faciès avec le puits et l'environnement de dépôt.
- [ ] J'ai limité le nombre d'attributs en fonction du nombre de puits.
- [ ] J'ai testé le résultat dans un puits aveugle.