이득:
- 자동 수평 추적의 사이클 스킵과 결함 감지의 획득 풋프린트를 실제 구조와 구별하고 수동으로 검사하는 기능
- 지진상 클래스가 통계적이라는 것을 이해하고 우물과 퇴적 환경에 대한 지식을 바탕으로 지질학적 의미를 만들 수 있습니다.
- 블라인드 웰 테스트를 통해 특징 조합의 과적합 위험을 테스트하고 웰 수에 따라 특징 수를 제한하는 기능
처리가 완료되었습니다. 깨끗하고 마이그레이션된 지진 볼륨이 있습니다. 이제 실제 질문이 시작됩니다. 이 이미지는 지하에 대해 무엇을 말합니까? 지층 경계는 어디에 있는지, 단층이 어느 방향으로 확장되는지, 어느 지역이 모래인지, 점토인지, 저수지가 있을 수 있는 곳은 어디입니까? 지진해석은 이동된 데이터로부터 지하의 구조적, 퇴적적(층서학적) 모델을 추출하는 과정입니다. 이 단원에서는 인공 지능(AI)이 지평선 및 단층 추적, 지진상 분류 및 속성 분석에서 "빠른 초안"을 생성하는 방법과 지질학적 의미 및 최종 모델을 누가 구축하는지 살펴보겠습니다.
해석의 구성 요소
용어를 명확히합시다. 지평선은 지진 단면에서 관찰되는 연속적인 반사 표면이며 일반적으로 지질층 경계에 해당합니다. 단층은 층이 부서지고 이동하는 불연속면입니다. 이는 단면에서 반사가 중단되거나 이동되는 장소에 나타납니다. 지진상은 유사한 파동 특성(진폭, 연속성, 질감)을 가지며 일반적으로 유사한 퇴적 환경을 반영하는 체적 영역입니다. 지진 속성은 눈을 특정 기능(불연속성, 경사, 진폭, 주파수)으로 안내하는 추적에서 파생된 측정값입니다. 예를 들어 일관성/연속성 속성은 결함을 강조하고 스펙트럼 분해는 채널 구조를 강조합니다.
지평선 및 결함 추적의 AI
수동 지평선 추적은 통역사가 섹션별로 반사를 추적하고 수천 개의 지점을 표시하는 경우입니다. 정확하지만 느립니다. AI 기반 자동 추적기는 몇 개의 시드 포인트에서 시작하여 전체 볼륨에 퍼질 수 있습니다. 결함 감지에서 CNN 기반 모델(이미지 패턴 학습 네트워크)은 볼륨 전체에 걸쳐 불연속성을 표시할 수 있습니다. 이렇게 하면 몇 주가 걸리던 작업이 몇 시간으로 단축됩니다.
그러나 두 가지 함정이 있습니다. 첫째, 자동 추적기는 수평선을 건너뛰는 순환을 통해 하나의 파도 마루에서 인접한 마루로 이동할 수 있습니다. 그 결과 겉으로는 매끄러워 보이지만 지질학적으로는 부정확한 표면이 탄생했습니다. 둘째, 오류 감지기는 처리로 인해 생성된 선형 잡음(예: 획득 공간)을 오류로 착각할 수 있습니다. 이것이 바로 AI가 생성한 모든 표면 및 단층 네트워크가 교차점(단층-수평 교차점)과 유정 위치에서 수동으로 검사되는 이유입니다.
팁: 여러 주요 섹션에서 자동으로 추적된 지평선을 데이터 자체에 오버레이하여 시각적으로 모니터링합니다. 표면은 강한 반사를 남기고 약한 정점으로 점프하는 사이클을 건너뛰었습니다. 이러한 영역을 수동으로 수정하지 않고 볼륨을 확산하지 마십시오.
지진상 분류
Facies 분류는 파도 특성에 따라 볼륨을 영역으로 나누는 작업입니다. 감독된 접근 방식에서는 우물의 알려진 암석학에서 레이블을 할당하고 모델을 훈련합니다. 비지도 접근 방식에서는 모델 자체가 유사한 특성을 가진 지역을 클러스터링하고 나중에 지질학적 의미를 부여합니다. 여기서 AI는 엄청난 속도를 제공하지만, 클래스는 지질학적 사실이 아니라 통계적 유사성을 갖는다. 모델이 "facies 3"이라고 부르는 지역은 우물과 퇴적 환경에 대한 지식을 통해서만 "수로 모래"와 같은 의미를 얻게 됩니다.
주의: 감독되지 않는 클러스터링 클래스 수를 제공합니다. 클래스 수에 따라 완전히 다른 맵이 생성됩니다. 단일 클러스터에 갇히지 마십시오. 클래스 수를 변경하고 결과가 지질학적으로 안정적인지 여부를 테스트합니다.
특성 분석의 함정: 다변량 관계
AI는 수십 가지 기능을 결합하고 강력한 분류기를 구축할 수 있습니다. 그러나 소수의 우물에 많은 수의 특성을 맞추려고 하면 과적합이 발생합니다. 즉, 모델이 훈련 사례를 기억하고 새 데이터로 일반화할 수 없게 됩니다. 우물에서는 맵이 완벽하고 우물 사이에서는 의미가 없습니다. 규칙: 제어 데이터(웰)에 비례하여 기능 수를 유지하고 독립적인 웰에서 지도를 테스트합니다(블라인드 테스트).
세 개의 미니 케이스
사례 1 — 몇 시간까지 추적되는 지평선. 900km² 규모의 주요 저수지 지평선을 9일 만에 수동으로 표시했습니다. AI 추적기는 3시간 만에 6개의 시드 포인트에서 표면을 퍼뜨렸습니다. 검토자가 14주기 건너뛰기 영역을 수동으로 수정했습니다. 결과: 동일한 정확도, 며칠이 아닌 하루.
사례 2 — 발자국을 결함으로 착각합니다. 결함 감지기는 일반적인 남북 선을 표시했습니다. 해설자는 이러한 라인이 획득 라인 간격과 정확히 일치한다는 점을 발견했습니다. 이는 결함이 아니라 획득 발자국이었습니다. 실제 결함은 이 규칙적인 패턴과 수직으로 이어졌습니다. 발자국이 제거되자 단층 지도가 의미 있게 되었습니다.
사례 3 — 과적합 Facies 지도. 22개의 특징과 단 5개의 우물로 훈련된 분류자는 우물에 대해 98%의 정확도를 제공했지만 여섯 번째(블라인드) 우물에서는 사암을 점토암으로 분류했습니다. 기능 수를 6개로 줄이고 다시 훈련시키면 블라인드 유정 정확도가 61%에서 88%로 증가했습니다. 또한 유정 전체에서 지도의 신뢰성이 높아졌습니다.
복사 가능한 템플릿 4개
1) 속성 선택 상담:
귀하의 역할: 지진 해석 전문가. 나의 목표: [하수로 모래/탄산염 저장소]. 이 목표를 강조하려면 어떤 지진 속성(일관성, 스펙트럼 분해, RMS 진폭, 경사)과 어떤 순서를 사용해야 합니까? 각 속성은 무엇을 나타내며, 어떤 오해의 소지가 있는 패턴을 생성할 수 있습니까? 간략하게 설명하세요.
2) 자동 지평선 검사:
자동으로 추적되는 지평선이 있습니다. 사이클 스킵을 감지하기 위한 체크리스트를 알려주세요. 어떤 섹션에서 어떤 증상(진폭 저하, 급격한 깊이 점프)을 찾아야 하는지, 웰 타이로 어떻게 확인하고 어떤 순서로 수정해야 합니까?
3) Facies 클래스 번호 테스트:
감독되지 않은 facies 클러스터링을 수행하고 있습니다. 4,6,8번 클래스를 시도해 보았는데 맵이 다르게 나오더군요. 어느 클러스터가 지질학적으로 더 균형을 이루고 있는지 평가하려면 어떤 기준(클러스터 크기 분포, 우물 호환성, 공간적 일관성)을 살펴봐야 합니까? 결정 절차를 제안합니다.
4) 과적합 제어:
나는 [N] 특징과 [M] 우물을 사용하여 facies 분류기를 훈련했습니다. 과적합 위험을 어떻게 측정하나요? 블라인드 우물 테스트를 어떻게 설정합니까? 우물 수에 따라 속성 수를 어떻게 제한합니까? 실행 가능한 단계를 제공합니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 볼륨에서 저장소를 찾아 지도에 표시합니다.
'찾기'는 원스텝 마법을 기대합니다. AI는 지질학적 맥락 없이 통계 지도를 생성하므로 검증할 수 없습니다.
강력한 프롬프트:
귀하의 역할: 저수지 중심 통역 전문가. 맥락: 하천 시스템, 목표 수로 모래, 3개 유정에서 알려진 암석학. 작업:(1) 채널 형상을 강조하는 속성 조합을 제안합니다. (2) 비지도 클러스터링을 통해 후보 상을 추출하는 단계를 작성합니다. (3) 3개 웰과 블라인드 4개 웰로 각 후보물질을 테스트하는 방법을 알려주세요. "지질학적 사실" 언어가 아닌 "후보" 언어로 결과를 제시합니다.
지질학적 맥락, 유정 제어, 블라인드 테스트에 대한 요구로 인해 결과가 방어 가능해졌습니다.
통역 업무와 AI의 역할
퀘스트
AI 기여
주요 위험
확인
지평선 추적
고속
사이클 건너뛰기
웰타이, 육안단면검사
결함 감지
후보자 생성
당신의 발자국을 잘못으로 착각하지 마세요
방향/교차 데이터 제어
얼굴 분류
클러스터링
의미없는 수업
우물과 퇴적 환경
속성 병합
강한 구별
과적합
블라인드 웰 테스트
일반적인 실수
- 육안 검사 없이 자동으로 지평선이 펼쳐집니다. 사이클 건너뛰기는 매끄럽지만 부정확한 표면을 생성합니다.
- 모든 선형 패턴을 결함으로 착각합니다. 획득 공간은 규칙적인 선을 생성합니다. 방향을 살펴보세요.
- facies 클래스에 직접적인 지질학적 의미를 부여합니다. 수업은 통계적입니다. 우물에 대해 이해하십시오.
- 더 많은 속성, 더 적은 수의 우물. 과적합은 지도를 우물 사이의 쓰레기로 만듭니다.
- 블라인드 테스트를 건너뛰세요. 훈련 우물에서만 정확도를 측정하는 것은 오해의 소지가 있습니다.
요약하면
지진 해석의 AI; 지평선/결함 추적을 몇 시간으로 줄이고, 신속하게 형상을 클러스터링하고, 속성을 강력하게 결합합니다. 그러나 모든 속도 향상에는 함정이 있습니다. 사이클 건너뛰기, 발자국을 잘못으로 착각하기, 무의미한 facies, 과적합. AI는 통계 개요를 생성합니다. 그는 초안을 지질학적 현실로 바꾸고, 우물과 퇴적 환경에 대한 지식으로 그것을 이해하고, 블라인드 테스트를 통해 테스트하는 해석자이다. 궁극적인 지하 모델은 항상 인간이 확립하고 방어하는 모델입니다.
응용과제
대상(채널 모래, 베이킹 소다 등)을 선택합니다. "속성 선택 협의" 템플릿을 사용하여 속성 계획을 만듭니다. 그런 다음 비지도 클러스터링을 위한 "Facies 클래스 수 테스트" 템플릿을 사용하고 최소 두 개의 서로 다른 클래스 수를 비교합니다. 어떤 유정이 지질학적으로 더 안정적인지, 그리고 이를 확인하기 위해 어떤 유정을 사용할 것인지 적어 보십시오.
체크리스트
- [ ] 주요 구간의 자동 지평선을 육안으로 점검하고 사이클 스킵을 수정하였습니다.
- [ ] 방향 및 교차 데이터를 사용하여 발자국에서 결함 후보를 분리했습니다.
- [ ] 우물과 퇴적환경을 고려하여 facies 수업을 해석하였습니다.
- [ ] 우물 수에 따라 속성 수를 제한했습니다.
- [ ] 블라인드 웰에서 결과를 테스트했습니다.