利益:
- 自動ホライゾントラッキングにおけるサイクルスキップと障害検出における取得フットプリントを実際の構造から区別し、手動で検査する機能
- 地震相クラスは統計的であり、井戸や堆積環境の知識によって地質学的意味を理解できることを理解します。
- ブラインドウェルテストと特徴を組み合わせてオーバーフィッティングのリスクをテストし、ウェルの数に応じて特徴の数を制限する機能
処理は終了しました。クリーンな移行済みの地震ボリュームが完成しました。ここで本当の疑問が始まります。この画像は地下について何を物語っているのでしょうか?地層の境界はどこにあるのか、断層はどの方向に伸びているのか、どの領域が砂でどの領域が粘土なのか、どこに貯水池があるのか？地震解釈は、移行されたデータから地下の構造および堆積 (層序) モデルを抽出するプロセスです。この単元では、人工知能 (AI) が地平線と断層の追跡、地震相の分類と属性分析において「簡単な初稿」をどのように生成するか、また地質学的意味と最終モデルは誰が構築するのかを見ていきます。
解釈の構成要素
用語を明確にしましょう。地平線は、地震断面で観察される連続的な反射面であり、一般に地質層の境界に対応します。断層とは、層が壊れたり移動したりする不連続面のことです。断面内で反射が途切れたりずれたりする箇所に現れます。地震相は、同様の波の性質 (振幅、連続性、テクスチャ) を持ち、一般に同様の堆積環境を反映する体積領域です。地震属性は、特定の特徴 (不連続性、傾斜、振幅、周波数) に目を向ける痕跡から得られる測定値です。たとえば、コヒーレンス/連続性属性では障害が強調表示され、スペクトル分解ではチャネルの形状が強調表示されます。
AI の視野と障害追跡
手動水平追跡では、通訳者が反射をセクションごとに追跡し、何千もの点にマークを付けますが、正確ではありますが時間がかかります。 AI ベースの自動トラッカーは、いくつかのシード ポイントから開始してボリューム全体に広げることができます。障害検出では、CNN ベースのモデル (画像パターン学習ネットワーク) により、ボリューム全体の不連続性をマークできます。これにより、手作業で数週間かかっていた作業が数時間に短縮されます。
ただし、そこには2つの罠があります。まず、自動追跡装置は、水平線を周期的にスキップして、ある波の山から隣の波の山に移動することができます。その結果、表面は滑らかに見えますが、地質学的には不正確になります。第 2 に、障害検出器は、処理によって生成された線形ノイズ (たとえば、取得フットプリント) を障害と誤認する可能性があります。そのため、AI によって生成されたすべての地表および断層ネットワークは、交差点 (断層と地平線の交差点) および坑井の位置で手動で検査されます。
ヒント: いくつかの重要なセクションで自動的に追跡された水平線をデータ自体に重ねて視覚的に監視します。サーフェスは、強い反射を残して弱いピークにジャンプする場所でサイクルがスキップされています。これらの領域を手動で修正せずにボリュームを拡張しないでください。
地震相の分類
相分類は、波の特徴に従ってボリュームを領域に分割するタスクです。教師ありアプローチでは、井戸内の既知の岩相からラベルを割り当て、モデルをトレーニングします。教師なしアプローチでは、モデル自体が同様の特性を持つ領域をクラスター化し、後で地質学的意味を与えます。 AI はここで優れた速度を実現しますが、クラスは統計的な類似性であり、地質学的事実ではありません。モデルが「相 3」と呼ぶ領域は、井戸と堆積環境の知識によって初めて「水路の砂」のような意味を獲得します。
注意: 教師なしクラスタリング クラスの数を指定します。クラスの数が異なると、まったく異なるマップが生成されます。単一のクラスターに閉じ込められないでください。クラスの数を変更し、結果が地質学的に安定しているかどうかをテストします。
特徴分析の落とし穴: 多変量関係
AI は数十の機能を組み合わせて強力な分類器を構築できます。しかし、多数の特徴を少数のウェルに適合させようとすると、過剰適合が発生します。つまり、モデルがトレーニング例を記憶して新しいデータに一般化できなくなります。マップはウェル内では完璧ですが、ウェル間では無意味になります。ルール: フィーチャの数をコントロール データ (ウェル) に比例させ、独立したウェルでマップをテストします (ブラインド テスト)。
ミニケース3個
ケース 1 — 数時間にわたる水平線の追跡。体積 900 km² の主な貯水池の地平線は、9 日間かけて手動でマークされました。 AI トラッカーは 3 時間で 6 つのシード ポイントから表面を拡散しました。レビュー担当者は 14 サイクルのスキップ領域を手動で修正しました。結果: 同じ精度で、数日ではなく 1 日でした。
ケース 2 — フットプリントを障害と間違える。障害検出器は通常の南北線をマークしました。コメンテーターは、これらのラインが取得ラインの間隔に正確に対応していることに気づきました。これらは障害ではなく、取得フットプリントです。実際の断層は、この規則的なパターンとは直角に発生しました。フットプリントが除去されると、断層マップが意味のあるものになります。
ケース 3 — 相マップの過学習。 22 の特徴とわずか 5 つのウェルでトレーニングされた分類器は、ウェルで 98% の精度を示しましたが、6 番目の (ブラインド) ウェルでは砂岩を粘土岩として分類しました。特徴の数を 6 に減らして再学習すると、ブラインド ウェルの精度が 61% から 88% に増加しました。マップはウェル全体にわたって信頼性も高くなりました。
コピー可能な 4 つのテンプレート
1) 属性選択の相談:
あなたの役割: 地震解釈の専門家。私のターゲットは【河道砂・炭酸塩層】。この目標を強調するには、どの地震属性 (コヒーレンス、スペクトル分解、RMS 振幅、傾き) をどのような順序で使用する必要がありますか?各属性は何を表しており、それが生み出す誤解を招くパターンは何でしょうか?簡単に説明してください。
2) 自動地平線検査:
自動的に追跡される地平線があります。サイクルスキップを検出するためのチェックリストを教えてください。どのセクションで、どの症状 (振幅の低下、突然の深さのジャンプ) を探す必要がありますか。ウェルタイでどのように確認し、どの順序で修正すればよいですか?
3) 顔クラス番号のテスト:
教師なし顔面クラスタリングを行っています。クラス 4、6、8 の数を試してみましたが、マップの結果は異なりました。どのクラスターが地質学的によりバランスが取れているかを評価するには、どのような基準 (クラスター サイズの分布、適合性、空間的一貫性) を見るべきですか?決定手順を提案します。
4) オーバーフィッティング制御:
[N] 個の特徴と [M] 個のウェルを使用して相分類器をトレーニングしました。過剰適合のリスクをどのように測定すればよいでしょうか?ブラインド ウェル テストを設定するにはどうすればよいですか? ウェルの数に基づいて属性の数を制限するにはどうすればよいですか?実行可能な手順を示します。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
このボリューム内で貯留層を見つけてマッピングします。
「Find」にはワンステップの魔法が期待されます。 AI は地質学的コンテキストなしで統計地図を作成するため、検証することはできません。
強力なプロンプト:
あなたの役割: 貯留層に焦点を当てた通訳のスペシャリスト。コンテキスト: 河川系、ターゲットチャネルの砂、3 つの井戸で知られている岩質。タスク:(1) チャネルのジオメトリを強調表示する属性の組み合わせを提案します。 (2) 教師なしクラスタリングによって候補相を抽出する手順を記述します。 (3) 3 つのウェルとブラインドの 4 番目のウェルを使用して各候補をテストする方法を教えてください。結果は、「地質学的事実」の言語ではなく、「候補」の言語で提示してください。
地質学的状況、坑井管理、ブラインドテストの需要により、出力は防御可能になります。
通訳業務とAIの役割
クエスト
AIの貢献
主なリスク
検証
水平線追跡
高速
サイクルスキップ
ウェルタイ、目視断面検査
故障検出
候補の生成
足跡を障害と間違えないでください
方向/クロスデータ制御
顔の分類
クラスタリング
意味のない授業
井戸と堆積環境
属性の結合
強い区別
過学習
ブラインドウェルテスト
よくある間違い
- 目視検査なしで自動的に地平線が広がります。サイクルスキップにより、滑らかではあるが不正確なサーフェスが生成されます。
- あらゆる直線的なパターンを障害と間違えます。取得フットプリントは規則的な線を生成します。その方向に注目してください。
- 直接的な地質学的意味を相クラスに帰す。クラスは統計的です。井戸については理解してください。
- より多くの属性、より少ない井戸。過剰適合すると、マップがウェル間でゴミになってしまいます。
- ブラインドテストをスキップします。トレーニング井戸のみで精度を測定することは誤解を招きます。
要約すると
地震探査における AI。地平線/断層の追跡を数時間に短縮し、相を迅速にクラスタリングし、属性を強力に組み合わせます。しかし、速度の向上には必ず罠があります。サイクルスキップ、フットプリントを障害と間違える、意味のない外観、過剰適合などです。 AI は統計的な概要を生成します。彼はドラフトを地質学的現実に変換し、井戸と堆積環境の知識を使ってそれを理解し、ブラインドテストでテストする通訳者です。究極の地下モデルは常に人間によって確立され、擁護されるものです。
アプリケーションタスク
対象物（水路砂、重曹など）を選択します。 「属性選択相談」テンプレートを使用して属性計画を作成します。次に、教師なしクラスタリング用の「Facies クラス数テスト」テンプレートを使用し、少なくとも 2 つの異なるクラス数を比較します。どちらが地質学的に安定しているのか、またこれを検証するためにどの井戸のテストを使用するのかを書き留めてください。
チェックリスト
- [ ] 主要なセクションの自動水平線を目視検査し、サイクル スキップを修正しました。
- [ ] 方向と交差データを使用してフットプリントから断層候補を分離しました。
- [ ] 井戸と堆積環境を使って相クラスを解釈しました。
- [ ] ウェルの数に基づいて属性の数を制限しました。
- [ ] ブラインドウェルで結果をテストしました。