利益:
- AI を使用して掘削ログ、コアの説明、フィールドノートを構造化および岩石学的に分類する機能
- フリーテキストのフィールド観察を標準の地質学的用語と表に変換する機能
- AI が生成した岩石学的解釈をコア写真、対数曲線、層序学的妥当性によって検証する機能
地質工学の原材料はデータですが、このデータのほとんどは不規則に生まれます。サイトに保管されている中心的な説明は、さまざまな地質学者によってさまざまな言葉で書かれたフリーテキストです。掘削活動のログは、さまざまな形式、さまざまな単位で、時には手動で、時にはデジタルで保管されました。フィールドノートのメモには略語や個人的な習慣が満載です。この単元では、人工知能の利益が得られる最も具体的で最も安全な領域、つまり、散在するフィールド データの構造化 (クエリ可能なテーブルへの変換)、標準化 (共通の用語への導入)、および予備的な岩石学的分類 (岩石の種類の分離) をカバーします。しかし、最初から言っておきます。人工知能がデータを整理し、エンジニアが地質学的解釈を承認します。
まず 2 つの重要な用語を明確にしましょう。ボーリング孔ログは、井戸に沿った深さに対して測定された特性の記録です。これらの測定は、地質学 (岩石学、風化) または地球物理学 (ガンマ線、比抵抗、密度) の場合があります。コア（英語のコア）は、掘削によって地下から抽出された円筒形の岩石サンプルです。地下を直接観察できる貴重な証拠です。岩質は、岩石 (砂岩、石灰岩、頁岩など) の種類と物理的特徴です。
フリーテキストの構造化
現場の地質学者は次のように説明を書いています：「0～3.2mの茶色で緩い粘土質の砂利、選別が不十分、3.2～7.5mの灰色、適度に風化した細粒～中粒の砂岩、まばらな炭酸セメントが含まれる。7.5～12mの明るい灰色、固体で亀裂のある石灰岩、9mのところに方解石脈がある。」この一文は、実際には、深さの範囲、色、風化の度合い、岩相、粒子サイズ、二次特性などの表を圧縮したものです。これを人工知能が解凍します。
重要な点は、モデルに推論ではなく変換を求めることです。言い換えれば、テキストに明確に書かれた情報をフィールドに配置します。本文にないものをでっち上げないでください。 「風化の程度」フィールドについては、地質学者が「中程度の風化」と書いた場合、モデルはこれを書き込みます。地質学者が何も指定しなかった場合、モデルは「未指定」と書き、値を適合させません。この区別はデータの整合性の基礎です。
ステップバイステップ: コアブックをスプレッドシートに変換する
- 最初にスキーマを定義します。列は次のとおりです: 深さトップ、深さボトム、岩質、色、粒径、風化、不連続性、二次鉱物、注記。出力の一貫性を保つために、モデルにスキーマを適用します。
- 標準的な辞書を与えてください。許可されている岩質の用語 (砂岩、シルト岩、石灰岩、泥灰岩、粘土岩、礫岩など) と風化のスケール (新鮮、軽、中、高、満) を示します。そのため、「少し風化している」などの表現が定番になってしまいます。
- 小さなバッチを処理します。ノート全体に一度にではなく、20〜30行ずつまとめて書きます。間違いに早く気づきます。
- ソースに戻って確認してください。結果のテーブルのランダムな行を生のテキストと比較します。特に深さの制限と岩石学の用語。
岩石学的分類: 丸太から解釈まで
AI は 2 つの方法で岩石学をサポートします。 1つ目は、上記の地質学者の定義を統一することです。 2 番目のより高度な方法は、地球物理学的対数曲線からの岩質推定です。たとえば、ガンマ線ログ (岩石の自然放射能) は粘土含有量とともに増加します。粘土レベルでは高い値が得られ、きれいな砂岩や石灰岩では低い値が得られます。比抵抗と密度のログを追加することにより、モデルは曲線パターンから岩石境界を示唆できます。
ここでの制限は重要です。ログは間接的な測定値です。高ガンマは、粘土、長石が豊富な砂、または火山灰である可能性があります。したがって、対数ベースの岩相予測は仮説です。コアやカッティング（掘削時に表面に出てくる岩石の破片）とつながっていなければ、決定的なものではありません。モデルが境界を描いたら、その深さにコアがあるかどうかを尋ねます。存在する場合、コアが勝ちます。
3 つのミニケース: 数字で見る
ケース 1 — 標準化の一貫性。ある鉱山会社では、6 人の異なる地質学者が「風化花崗岩」(風化、変質、腐朽、粘土質など) について 11 の異なる表現を使用しました。人工知能を活用した標準化により、4,800 行のデータベースが 5 レベルの分解スケールに配置されました。その後、「中程度から高度に分離されたゾーン」というクエリには数秒かかりましたが、以前は数日かかっていました。標準化のランダムな 10% がコアによってチェックされ、一致度は高かった。
ケース 2 — ログ相関の暫定草案。岩相相関は、2 つの隣接する井戸 (150 m 離れた) のガンマログから作成されます。このモデルは、4 つの一般的なレベルと一致する予備的な相関関係を提案し、1 つのレベルでの厚さの違いに「断層またはウェッジアウトの可能性」としてフラグを立てました。エンジニアがマークされたゾーンの中心部を見たところ、非常に小さな欠陥を発見しました。モデルは決定的な答えを与えませんでしたが、適切な場所に注意を引きました。
ケース 3 — 加工された境界線をキャプチャします。 1 つの井戸では、モデルはコア データが存在しない 40 ～ 45 m 間隔に「玄武岩」岩相を割り当てました。この地域では玄武岩は予想されていなかった。録音ではガンマの増加のみが発生しました。地質学的妥当性フィルターが有効になり、その間隔で砕屑サンプルが要求されたところ、そのレベルは粘土質のシルト岩であることが判明しました。モデルは高ガンマを誤って解釈していました。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
これらのコア定義をテーブルに変換します。[テキスト]
強力なプロンプト:
次の自由テキストのコア説明を指定された図に翻訳してください。本文に明確に記載されていないフィールドには記入しないでください。それ以外の場合は、「未指定」と書き込みます。スキーマ (列): Depth_ust_m |深さ_サブ_m |岩石学 |色 |粒径 |隔離 |不連続性 |二次ミネラル |注許可される岩石学用語: 砂岩、シルト岩、粘土岩、石灰岩、泥灰土、礫岩、シスト、花崗岩、玄武岩。用語がリストにない場合は、「?」をマークし、メモに理由を書きます。 識別スケール: 新鮮 |ライト |真ん中 |高い |高い |全文:[主要な説明]
強力なプロンプトは、スキーマ、辞書、および「捏造禁止」を一緒に課します。出力は一貫性があり、監査可能です。
4 つのコピー可能なテンプレート
1) フィールドノートの標準化:
次のフィールドノートを標準用語に翻訳してください。開いた略語 (例: 「stone」->「sandstone」) を使用しますが、内容は変更しないでください。あいまいなフレーズを「[ambiguous]」としてマークし、元のフレーズを括弧内に保持します。注: [フィールドノート]
2) 丸太ベースの岩石学仮説:
次のログ データ (深さ、ガンマ、比抵抗、密度) から考えられる岩相境界を提案します。それぞれの境界について、(a) どの曲線変化からそれを導き出したのか、(b) 別の岩相の可能性、(c) コアリング検証の必要性を書きます。境界を「確実」として提示しないでください。データ: [ログテーブル]
3) 2 つのウェルの相関関係のスケッチ:
Well-A と Well-B のログを比較します。一致レベル、一致理由、不一致/疑わしいゾーンを個別にリストします。断層、侵食、または相変化には「検証が必要」とラベルを付けます。データ: [2 つの井戸の丸太]
4) データ品質管理:
以下の岩相表で論理的エラーを探してください: 重複する深さ範囲、ギャップ、不可能な位置合わせ、単位の不一致、不正な用語。結果を「行番号 | 問題 | 提案」の表として報告します。データを修正しないでください。ただマークを付けてください。テーブル: [岩質テーブル]
認証証明の階層
証拠の種類
直接性
信頼性
いつ使用するか
コア（コア）
最も直接的な
最高の
重要な岩石境界
クラム（カット）
中程度
高い
コアがない場合
地球物理学的記録
間接的な
中程度
連続プロファイル、ギャップ充填
モデル予測
派生した
低い（一人で）
仮説・スクリーニング
フリーテキストメモ
変数
地質学者によって異なります
追加のコンテキスト
ヒント: 人工知能が岩石の境界を見つけるのを支援するときは、「正確な境界」ではなく、「可能な境界と信頼レベル」を尋ねてください。精度を与えるのはモデルではなくコアです。出力は、確実性に対する誤った主張ではなく、スクリーニング ツールになります。
注意: モデルは、「ギャップを残さない」ために、データにない深度範囲を埋める傾向があります。特にコア損失のあるゾーンでは、偽の岩相が生成される可能性があります。コア損失ゾーンを明確にマークし、「データがない場合は空白のままにする」ようにモデルに指示します。
よくある間違い
- 変換ではなく推論を求めます。モデルがテキストにないものを「推測」することを期待します。これにより、偽データへの扉が開かれます。書かれていることを構造化するだけです。
- 標準辞書は提供されていません。自由な用語を許可する。その結果、疑問の余地のない、一貫性のない画像が作成されます。
- ログの推定値が正確であることを受け入れます。間接的な測定（ガンマ、抵抗率）のみを岩相の証拠として考慮する。境界線をコア/クラムでバインドせずに署名に移動します。
- コアロスゾーンを隠すため。モデル内のデータのギャップを埋める。スペースはスペースのままでなければなりません。
- バッチで処理し、決してチェックしません。一度に数千行を翻訳したり、ランダムなサンプルチェックを行ったりすることはありません。
要約すると
- 人工知能は、分散したフィールドデータの構造化、標準化、および予備的な岩石学的分類において、安全かつ高効率を提供します。
- 推論ではなく、モデルからの変換を求めます。本文にないものはでっちあげず、「未指定」と印刷してください。
- 対数ベースの岩相推定は間接的なものであり、仮説です。コアとクラムのサンプルに接続するまで確認できません。
- スキーマと標準辞書を強制します。そうして初めて、出力は一貫性があり、制御可能になります。
- コア掘削は証拠階層の最上位にあります。根本的には、モデル予測だけでは不十分です。
アプリケーションタスク
あなたが持っているフィールド ノートまたは主要な説明から 15 ～ 20 行を抜粋します (フィールドの機密情報は匿名化します)。まず独自のスキーマと許可された岩石学/風化辞書を定義し、それを強力なプロンプトを使用してテーブルに変換します。結果として得られるテーブルの各行を生のテキストと比較し、モデルが改ざんまたは配置を間違えた領域にフラグを立てます。少なくとも 1 つの「未指定」フィールドが正しく空白のままになっているかどうかを確認してください。
チェックリスト
- [ ] フリーテキストフィールドの観察結果を、図と標準辞書で構造化された表に変換できます。
- [ ] モデルからの変換が必要であり、存在しないものにモデルを適合させないという「未指定」ルールを適用します。
- [ ] 対数ベースの岩質推定は間接的な仮説であり、核心に関連付けられる必要があることを理解しています。
- [ ] コアロスとデータギャップゾーンをマークし、フィッティングを防ぎます。
- [ ] 証拠の階層 (コア > クラム > ログ > モデル) に従って出力を検証します。