Keuntungan:
- Kemampuan untuk membedakan lompatan siklus dalam pelacakan cakrawala otomatis dan jejak akuisisi dalam deteksi kesalahan dari struktur sebenarnya dan memeriksanya secara manual
- Memahami bahwa kelas fasies seismik bersifat statistik dan mampu membuat makna geologis dengan pengetahuan tentang sumur dan lingkungan pengendapan.
- Kemampuan untuk menguji risiko overfitting dalam kombinasi fitur dengan uji sumur buta dan membatasi jumlah fitur sesuai dengan jumlah sumur
Pemrosesan selesai; Anda memiliki volume seismik yang bersih dan bermigrasi. Sekarang pertanyaan sebenarnya dimulai: apa yang digambarkan gambar ini tentang bawah tanah? Di manakah batas lapisannya, ke arah mana sesar meluas, di daerah mana pasir, di mana tanah liat, di mana mungkin terdapat reservoir? Interpretasi seismik adalah proses mengekstraksi model struktur dan sedimen (stratigrafi) bawah permukaan dari data yang bermigrasi. Dalam unit ini, kita akan melihat bagaimana kecerdasan buatan (AI) menghasilkan "draf pertama yang cepat" dalam pelacakan cakrawala dan patahan, klasifikasi fasies seismik, dan analisis atribut, namun siapa yang membangun makna geologis dan model akhir.
Bahan bangunan penafsiran
Mari kita perjelas persyaratannya. Horizon adalah permukaan reflektif kontinu yang diamati pada bagian seismik dan umumnya berhubungan dengan batas lapisan geologi. Sesar adalah bidang diskontinuitas di mana lapisan-lapisannya pecah dan bergeser; Tampaknya di tempat-tempat di mana refleksi terganggu atau bergeser pada penampang. Fasies seismik merupakan wilayah volume yang mempunyai karakter gelombang (amplitudo, kontinuitas, tekstur) yang serupa dan secara umum mencerminkan lingkungan sedimen yang serupa. Atribut seismik adalah pengukuran yang diperoleh dari jejak yang mengarahkan pandangan pada fitur tertentu (diskontinuitas, kemiringan, amplitudo, frekuensi); misalnya, atribut koherensi/kontinuitas menyoroti kesalahan dan dekomposisi spektral menyoroti geometri saluran.
AI di cakrawala dan pelacakan kesalahan
Pelacakan cakrawala manual adalah saat penerjemah menelusuri refleksi bagian demi bagian dan menandai ribuan titik—akurat namun lambat. Pelacak otomatis berbasis AI dapat dimulai dari beberapa titik awal dan menyebar ke seluruh volume; Dalam deteksi kesalahan, model berbasis CNN (jaringan pembelajaran pola gambar) dapat menandai diskontinuitas di seluruh volume. Ini memotong apa yang biasanya memakan waktu berminggu-minggu menjadi beberapa jam.
Namun, ada dua jebakan. Pertama, pelacak otomatis dapat melewati cakrawala—beralih dari satu puncak gelombang ke puncak gelombang di dekatnya; Hasilnya adalah permukaan yang tampak mulus namun secara geologis tidak akurat. Kedua, detektor kesalahan mungkin salah mengira kebisingan linier yang dihasilkan pemrosesan (misalnya, jejak akuisisi) sebagai kesalahan. Itu sebabnya setiap jaringan permukaan dan patahan yang dihasilkan oleh AI diperiksa secara manual di persimpangan (persimpangan patahan-horizon) dan lokasi sumur.
Tip: Pantau secara visual cakrawala yang dilacak secara otomatis di beberapa bagian utama dengan melapisinya pada data itu sendiri. Permukaan telah dilewati siklusnya sehingga meninggalkan pantulan yang kuat dan melompat ke puncak yang lemah; Jangan menyebarkan volume tanpa mengoreksi area ini secara manual.
Klasifikasi fasies seismik
Klasifikasi fasies adalah tugas membagi volume menjadi beberapa wilayah menurut karakter gelombang. Dalam pendekatan terawasi, Anda menetapkan label dari litologi yang diketahui di sumur dan melatih modelnya; Dalam pendekatan tanpa pengawasan, model itu sendiri mengelompokkan wilayah dengan karakteristik serupa dan nantinya Anda memberikan makna geologis. AI memberikan kecepatan luar biasa di sini, tetapi kelas-kelasnya adalah kesamaan statistik, bukan fakta geologis. Wilayah yang disebut model "fasies 3" hanya memperoleh makna seperti "saluran pasir" dengan pengetahuan tentang sumur dan lingkungan pengendapan.
Perhatian: Anda memberikan jumlah kelas pengelompokan tanpa pengawasan; Jumlah kelas yang berbeda menghasilkan peta yang sangat berbeda. Jangan terjebak dalam satu cluster; Ubah jumlah kelas dan uji apakah hasilnya tetap stabil secara geologis.
Kesalahan dalam analisis fitur: hubungan multivariat
AI dapat menggabungkan lusinan fitur dan membangun pengklasifikasi yang kuat. Namun mencoba menyesuaikan sejumlah besar fitur ke sejumlah kecil lubang akan mengakibatkan overfitting - ketidakmampuan model untuk mengingat contoh pelatihan dan menggeneralisasi ke data baru: petanya sempurna di dalam lubang dan tidak ada artinya di antara lubang. Aturannya: pertahankan jumlah fitur sebanding dengan data kontrol (sumur) dan uji peta dalam sumur independen (blind test).
tiga kasus mini
Kasus 1 - Pelacakan cakrawala hingga berjam-jam. Cakrawala reservoir utama dengan volume 900 km² ditandai secara manual dalam 9 hari. Pelacak AI menyebarkan permukaan dari 6 titik benih dalam 3 jam; Peninjau secara manual mengoreksi area lompatan 14 siklus. Hasilnya: akurasi yang sama, satu hari, bukan beberapa hari.
Kasus 2 — Salah mengira jejak kaki sebagai suatu kesalahan. Detektor kesalahan menandai garis reguler utara-selatan. Komentator memperhatikan bahwa garis-garis ini berhubungan persis dengan jarak garis akuisisi: itu bukan kesalahan, melainkan jejak akuisisi. Sesar sebenarnya tegak lurus terhadap pola teratur ini; Ketika jejak kaki dihilangkan, peta kesalahan menjadi bermakna.
Kasus 3 — Peta fasies yang terlalu pas. Pengklasifikasi yang dilatih dengan 22 fitur dan hanya 5 sumur memberikan akurasi 98% pada sumur tersebut tetapi mengklasifikasikan batupasir sebagai batulempung pada sumur keenam (buta). Ketika jumlah fitur dikurangi menjadi 6 dan dilatih ulang, akurasi sumur buta meningkat dari 61% menjadi 88%: peta juga dapat diandalkan di seluruh sumur.
Empat templat yang dapat disalin
1) Konsultasi pemilihan atribut:
Peran Anda: ahli interpretasi seismik. Target saya: [pasir saluran fluvial/reservoir karbonat]. Atribut seismik manakah (koherensi, dekomposisi spektral, amplitudo RMS, kemiringan) dan urutan apa yang harus saya gunakan untuk menyoroti tujuan ini? Apa yang diwakili oleh masing-masing atribut, pola menyesatkan apa yang mungkin dihasilkannya? Jelaskan secara singkat.
2) Inspeksi cakrawala otomatis:
Saya memiliki cakrawala yang terlacak secara otomatis. Beri saya daftar periksa untuk mendeteksi lompatan siklus: di bagian mana, gejala apa yang harus saya cari (penurunan amplitudo, lompatan kedalaman tiba-tiba), bagaimana cara mengonfirmasi dengan well tie, dan dalam urutan apa saya melakukan koreksi?
3) Pengujian nomor kelas fasies:
Saya melakukan pengelompokan fasies tanpa pengawasan. Saya mencoba nomor kelas 4,6 dan 8, petanya berbeda. Kriteria apa (distribusi ukuran cluster, kompatibilitas sumur, konsistensi spasial) yang harus saya perhatikan untuk mengevaluasi cluster mana yang lebih seimbang secara geologis? Sarankan prosedur pengambilan keputusan.
4) Kontrol yang berlebihan:
Saya melatih pengklasifikasi fasies dengan fitur [N] dan sumur [M]. Bagaimana cara mengukur risiko overfitting? Bagaimana cara mengatur pengujian sumur buta, bagaimana cara membatasi jumlah atribut berdasarkan jumlah sumur? Berikan langkah-langkah yang dapat ditindaklanjuti.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Temukan reservoir dalam volume ini dan petakan.
“Temukan” mengharapkan keajaiban satu langkah; AI menghasilkan peta statistik tanpa konteks geologi, dan tidak dapat diverifikasi.
Perintah yang kuat:
Peran Anda: spesialis interpretasi yang berfokus pada reservoir. Konteks: sistem fluvial, pasir saluran target, litologi diketahui pada 3 sumur. Tugas: (1) menyarankan kombinasi atribut yang akan menonjolkan geometri saluran; (2) tuliskan langkah-langkah untuk mengekstrak fasies kandidat dengan clustering tanpa pengawasan; (3) Beri tahu saya cara menguji setiap kandidat dengan 3 sumur dan satu sumur buta ke-4. Sajikan hasilnya dalam bahasa "kandidat", bukan bahasa "fakta geologis".
Konteks geologis, pengendalian sumur, dan kebutuhan akan pengujian buta membuat hasil yang diperoleh dapat dipertahankan.
Tugas interpretasi dan peran AI
Pencarian
Kontribusi AI
Risiko utama
verifikasi
Pelacakan cakrawala
kecepatan tinggi
Lewati siklus
Ikat dengan baik, inspeksi bagian visual
deteksi kesalahan
Menghasilkan kandidat
Jangan salah mengira jejak kaki Anda sebagai suatu kesalahan
Kontrol arah/silang data
Klasifikasi fasies
pengelompokan
kelas yang tidak berarti
Lingkungan sumur dan pengendapan
Penggabungan atribut
perbedaan yang kuat
terlalu pas
uji sumur buta
Kesalahan umum
- Penyebaran cakrawala secara otomatis tanpa inspeksi visual. Lompatan siklus menghasilkan permukaan yang halus namun tidak akurat.
- Mengira setiap pola linier sebagai suatu kesalahan. Jejak akuisisi menghasilkan garis-garis teratur, lihat arahnya.
- Mengatribusikan makna geologis langsung ke kelas fasies. Kelas bersifat statistik; Masuk akal dengan sumur.
- Lebih banyak atribut, lebih sedikit sumur. Overfitting mengubah peta menjadi sampah di antara sumur.
- Lewati tes buta. Mengukur akurasi hanya di sumur latih adalah hal yang menyesatkan.
Singkatnya
AI dalam interpretasi seismik; Ini mengurangi pelacakan horizon/kesalahan menjadi berjam-jam, mengelompokkan fasies dengan cepat, dan menggabungkan atribut dengan kuat. Namun setiap peningkatan kecepatan memiliki jebakan: lompatan siklus, salah mengira jejak sebagai suatu kesalahan, fasies yang tidak berarti, overfitting. AI menghasilkan garis besar statistik; Dialah penerjemah yang mengubah rancangan tersebut menjadi kenyataan geologis, memahaminya dengan pengetahuan tentang sumur dan lingkungan pengendapan, dan mengujinya dengan uji buta. Model bawah tanah yang paling utama selalu merupakan model yang dibangun dan dipertahankan oleh manusia.
Tugas aplikasi
Pilih target (pasir saluran, soda kue, dll.). Buat rencana atribut dengan templat "Konsultasi pemilihan atribut". Kemudian gunakan templat “Pengujian jumlah kelas Facies” untuk pengelompokan tanpa pengawasan dan bandingkan setidaknya dua jumlah kelas yang berbeda; Tuliskan mana yang lebih stabil secara geologis dan uji sumur mana yang akan Anda gunakan untuk memverifikasi hal ini.
daftar periksa
- [ ] Saya secara visual memeriksa cakrawala otomatis di bagian-bagian utama dan memperbaiki lompatan siklus.
- [ ] Saya memisahkan kandidat kesalahan dari tapak dengan data arah dan cross-over.
- [ ] Saya menginterpretasikan kelas fasies dengan sumur dan lingkungan pengendapan.
- [ ] Saya membatasi jumlah atribut berdasarkan jumlah sumur.
- [ ] Saya menguji hasilnya di sumur buta.