Keuntungan:
- Keupayaan untuk membezakan lompatan kitaran dalam penjejakan ufuk automatik dan jejak pemerolehan dalam pengesanan kerosakan daripada struktur sebenar dan memeriksanya secara manual
- Memahami bahawa kelas fasies seismik adalah statistik dan boleh membuat makna geologi dengan pengetahuan tentang perigi dan persekitaran mendapan.
- Keupayaan untuk menguji risiko overfitting dalam kombinasi ciri dengan ujian telaga buta dan mengehadkan bilangan ciri mengikut bilangan telaga
Pemprosesan selesai; Anda mempunyai volum seismik yang bersih dan berhijrah. Sekarang persoalan sebenar bermula: apa yang dikatakan imej ini tentang bawah tanah? Di manakah sempadan lapisan, ke arah mana sesar memanjang, kawasan mana pasir, tanah liat, mana mungkin ada takungan? Tafsiran seismik ialah proses mengekstrak model struktur dan sedimen (stratigrafi) bawah permukaan daripada data yang dipindahkan. Dalam unit ini, kita akan melihat bagaimana kecerdasan buatan (AI) menghasilkan "draf pertama cepat" dalam pengesanan ufuk dan sesar, klasifikasi fasies seismik dan analisis atribut, tetapi siapa yang membina makna geologi dan model akhir.
Blok pembinaan tafsiran
Mari kita jelaskan syarat-syaratnya. Horizon ialah permukaan reflektif berterusan yang diperhatikan dalam bahagian seismik dan secara amnya sepadan dengan sempadan lapisan geologi. Sesar ialah satah ketakselanjaran di mana lapisan pecah dan beralih; Ia muncul di tempat di mana pantulan terganggu atau dialihkan dalam keratan rentas. Fasies seismik ialah kawasan isipadu yang mempunyai watak gelombang yang sama (amplitud, kesinambungan, tekstur) dan secara amnya mencerminkan persekitaran sedimen yang serupa. Atribut seismik ialah ukuran yang diperoleh daripada kesan yang mengarahkan mata kepada ciri tertentu (ketakselanjaran, cerun, amplitud, kekerapan); contohnya, atribut koheren/kesinambungan menyerlahkan kesilapan dan penguraian spektrum menyerlahkan geometri saluran.
AI dalam ufuk dan pengesanan kesalahan
Penjejakan ufuk manual ialah apabila jurubahasa mengesan bahagian pantulan demi bahagian dan menandakan beribu-ribu mata—tepat tetapi perlahan. Penjejak automatik berasaskan AI boleh bermula dari beberapa titik benih dan merebak ke seluruh volum; Dalam pengesanan kerosakan, model berasaskan CNN (rangkaian pembelajaran corak imej) boleh menandakan ketakselanjaran sepanjang volum. Ini mengurangkan masa yang biasanya mengambil masa berminggu-minggu menggunakan tangan kepada beberapa jam.
Walau bagaimanapun, terdapat dua perangkap. Mula-mula, penjejak automatik boleh melangkau ufuk—beralih dari satu puncak gelombang ke puncak berjiran; Hasilnya ialah permukaan yang kelihatan licin tetapi tidak tepat dari segi geologi. Kedua, pengesan kerosakan mungkin tersalah anggap bunyi linear yang dijana pemprosesan (cth., jejak pemerolehan) sebagai kerosakan. Itulah sebabnya setiap permukaan dan rangkaian kerosakan yang dijana oleh AI diperiksa secara manual di persimpangan (persimpangan ufuk kesalahan) dan lokasi telaga.
Petua: Pantau secara visual ufuk yang dijejaki secara automatik dalam beberapa bahagian utama dengan menindihnya pada data itu sendiri. Permukaan telah melangkau kitaran di mana ia meninggalkan pantulan yang kuat dan melompat ke puncak yang lemah; Jangan sebarkan kelantangan tanpa membetulkan bahagian ini secara manual.
Klasifikasi fasies seismik
Klasifikasi fasies ialah tugas membahagikan volum kepada kawasan mengikut watak gelombang. Dalam pendekatan yang diselia, anda menetapkan label daripada litologi yang diketahui dalam telaga dan melatih model; Dalam pendekatan tanpa pengawasan, model itu sendiri mengelompokkan kawasan dengan ciri yang serupa dan anda memberi makna geologi kemudian. AI memberikan kelajuan yang hebat di sini, tetapi kelas adalah persamaan statistik, bukan fakta geologi. Rantau yang model dipanggil "facies 3" hanya mendapat makna seperti "pasir saluran" dengan pengetahuan tentang perigi dan persekitaran pemendapan.
Perhatian: Anda memberikan bilangan kelas pengelompokan yang tidak diselia; Bilangan kelas yang berbeza menghasilkan peta yang sama sekali berbeza. Jangan terkunci dalam satu kelompok; Tukar bilangan kelas dan uji sama ada hasilnya kekal stabil dari segi geologi.
Perangkap dalam analisis ciri: hubungan multivariate
AI boleh menggabungkan berpuluh-puluh ciri dan membina pengelas yang berkuasa. Tetapi cubaan untuk menyesuaikan sebilangan besar ciri kepada sebilangan kecil telaga mengakibatkan overfitting - ketidakupayaan model untuk menghafal contoh latihan dan membuat generalisasi kepada data baharu: peta sempurna dalam telaga dan tidak bermakna antara telaga. Peraturan: pastikan bilangan ciri berkadar dengan data kawalan (well) dan uji peta dalam perigi bebas (ujian buta).
tiga kes mini
Kes 1 — Horizon menjejak ke jam. Horizon takungan utama dalam jumlah 900 km² ditanda secara manual dalam 9 hari. Penjejak AI menyebarkan permukaan dari 6 mata benih dalam 3 jam; Penyemak membetulkan kawasan langkau 14 kitaran secara manual. Keputusan: ketepatan yang sama, satu hari dan bukannya hari.
Kes 2 — Menganggap tapak kaki sebagai kesalahan. Pengesan kerosakan menandakan garis utara-selatan biasa. Pengulas menyedari bahawa baris ini sepadan dengan jarak baris pemerolehan: ia bukan kesilapan, tetapi jejak pemerolehan. Kesalahan sebenar berjalan berserenjang dengan corak biasa ini; Apabila jejak itu dihapuskan, peta kesalahan menjadi bermakna.
Kes 3 — Peta fasies berlebihan. Pengelas yang dilatih dengan 22 ciri dan hanya 5 telaga memberikan ketepatan 98% pada telaga tetapi mengklasifikasikan batu pasir sebagai batu liat dalam telaga keenam (buta). Apabila bilangan ciri dikurangkan kepada 6 dan dilatih semula, ketepatan perigi buta meningkat daripada 61% kepada 88%: peta itu juga boleh dipercayai merentas telaga.
Empat templat yang boleh disalin
1) Perundingan pemilihan atribut:
Peranan anda: pakar tafsiran seismik. Sasaran saya: [pasir saluran fluvial / takungan karbonat]. Atribut seismik yang manakah (koheren, penguraian spektrum, amplitud RMS, cerun) dan dalam susunan apakah yang harus saya gunakan untuk menyerlahkan matlamat ini? Apakah yang diwakili oleh setiap atribut, apakah corak mengelirukan yang mungkin dihasilkannya? Terangkan secara ringkas.
2) Pemeriksaan ufuk automatik:
Saya mempunyai ufuk yang dijejaki secara automatik. Beri saya senarai semak untuk mengesan kitaran langkau: di bahagian mana, simptom manakah yang harus saya cari (penurunan amplitud, lompatan kedalaman secara tiba-tiba), bagaimana saya mengesahkan dengan ikatan telaga, dan dalam urutan apakah saya membuat pembetulan?
3) Ujian nombor kelas fasies:
Saya sedang melakukan pengelompokan fasies tanpa pengawasan. Saya cuba bilangan kelas 4,6 dan 8, peta keluar berbeza. Apakah kriteria (taburan saiz kelompok, keserasian telaga, ketekalan ruang) yang harus saya lihat untuk menilai kelompok mana yang lebih seimbang dari segi geologi? Cadangkan prosedur keputusan.
4) Kawalan overfitting:
Saya melatih pengelas fasies dengan ciri [N] dan telaga [M]. Bagaimanakah saya mengukur risiko overfitting? Bagaimanakah saya menyediakan ujian telaga buta, bagaimana saya mengehadkan bilangan atribut berdasarkan bilangan telaga? Berikan langkah yang boleh diambil tindakan.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Cari takungan dalam jilid ini dan petakannya.
"Cari" mengharapkan sihir satu langkah; AI menghasilkan peta statistik tanpa konteks geologi, ia tidak boleh disahkan.
Gesaan kuat:
Peranan anda: pakar tafsiran tertumpu takungan. Konteks: sistem fluvial, pasir saluran sasaran, litologi yang diketahui dalam 3 telaga. Tugas:(1) cadangkan gabungan atribut yang akan menyerlahkan geometri saluran; (2) tulis langkah-langkah untuk mengekstrak fasies calon dengan pengelompokan tanpa pengawasan; (3) Beritahu saya bagaimana untuk menguji setiap calon dengan 3 perigi dan perigi ke-4 buta. Bentangkan keputusan dalam bahasa "calon", bukan bahasa "fakta geologi".
Konteks geologi, kawalan telaga, dan permintaan untuk ujian buta menjadikan output boleh dipertahankan.
Tugas tafsiran dan peranan AI
Pencarian
Sumbangan AI
Risiko utama
pengesahan
Penjejakan ufuk
kelajuan tinggi
Lompat kitaran
Tali leher, pemeriksaan bahagian visual
pengesanan kesalahan
Menjana calon
Jangan silap tapak kaki anda sebagai kesalahan
Kawalan arah/rentas data
Klasifikasi fasies
berkelompok
kelas yang tidak bermakna
Persekitaran telaga dan pemendapan
Penggabungan atribut
perbezaan yang kuat
overfitting
ujian perigi buta
Kesilapan biasa
- Penyebaran ufuk automatik tanpa pemeriksaan visual. Lompat kitaran menghasilkan permukaan licin tetapi tidak tepat.
- Menganggap setiap corak linear sebagai kesalahan. Jejak pemerolehan menghasilkan garis biasa, lihat arahnya.
- Mengaitkan makna geologi langsung kepada kelas fasies. Kelas adalah statistik; Masuk akal dengan perigi.
- Lebih banyak atribut, lebih sedikit telaga. Overfitting mengubah peta menjadi sampah antara telaga.
- Ponteng ujian buta. Mengukur ketepatan hanya dalam telaga latihan adalah mengelirukan.
Secara ringkasnya
AI dalam tafsiran seismik; Ia mengurangkan penjejakan ufuk/kerosakan kepada beberapa jam, mengelompokkan fasies dengan cepat dan menggabungkan atribut dengan kuat. Tetapi setiap peningkatan kelajuan mempunyai perangkap: lompat kitaran, tersalah anggap tapak kaki sebagai kesalahan, fasies yang tidak bermakna, overfitting. AI menghasilkan garis besar statistik; Dia adalah jurubahasa yang mengubah draf menjadi realiti geologi, memahaminya dengan pengetahuan tentang perigi dan persekitaran pemendapan, dan mengujinya dengan ujian buta. Model bawah tanah muktamad sentiasa yang ditubuhkan dan dipertahankan oleh manusia.
Tugasan permohonan
Pilih sasaran (pasir saluran, soda penaik, dll.). Buat rancangan atribut dengan templat "Perundingan pemilihan atribut". Kemudian gunakan templat "Ujian kiraan kelas fasies" untuk pengelompokan tanpa pengawasan dan bandingkan sekurang-kurangnya dua kiraan kelas yang berbeza; Tulis yang mana satu lebih stabil dari segi geologi dan ujian telaga yang akan anda gunakan untuk mengesahkan ini.
senarai semak
- [ ] Saya memeriksa secara visual ufuk automatik dalam bahagian utama dan membetulkan langkau kitaran.
- [ ] Saya mengasingkan calon kesalahan daripada jejak dengan data arah dan silang.
- [ ] Saya mentafsir kelas fasies dengan persekitaran telaga dan pemendapan.
- [ ] Saya mengehadkan bilangan atribut berdasarkan bilangan telaga.
- [ ] Saya menguji hasilnya dalam perigi buta.