Winst:
- Mogelijkheid om de cyclussprong bij automatische horizontracking en de acquisitievoetafdruk bij foutdetectie te onderscheiden van de echte structuur en deze handmatig te inspecteren
- Begrijp dat klassen van seismische facies statistisch zijn en in staat zijn geologische betekenis te geven met de kennis van putten en afzettingsomgevingen.
- Mogelijkheid om het risico op overfitting te testen in combinatie met de blinde puttest en het aantal functies te beperken op basis van het aantal putten
De verwerking is voltooid; U beschikt over een schoon, gemigreerd seismisch volume. Nu begint de echte vraag: wat zegt dit beeld over de underground? Waar liggen de grenzen van de lagen, in welke richting strekken de breuken zich uit, welk gebied is zand, wat is klei, waar kan zich een reservoir bevinden? Seismische interpretatie is het proces waarbij het structurele en sedimentaire (stratigrafische) model van de ondergrond uit gemigreerde gegevens wordt gehaald. In deze unit zullen we zien hoe kunstmatige intelligentie (AI) een "snelle eerste schets" produceert op het gebied van horizon- en foutopsporing, seismische faciesclassificatie en attribuutanalyse, maar wie de geologische betekenis en het uiteindelijke model bouwt.
Bouwstenen van interpretatie
Laten we de voorwaarden verduidelijken. Horizon is het continue reflecterende oppervlak dat wordt waargenomen in de seismische sectie en dat in het algemeen overeenkomt met de grens van een geologische laag. Een breuk is een vlak van discontinuïteit waar lagen breken en verschuiven; Het verschijnt op plaatsen waar reflecties worden onderbroken of verschoven in de dwarsdoorsnede. Seismische facies zijn volumegebieden met een vergelijkbaar golfkarakter (amplitude, continuïteit, textuur) en weerspiegelen over het algemeen een vergelijkbare sedimentaire omgeving. Seismische attributen zijn metingen afgeleid van sporen die het oog op bepaalde kenmerken richten (discontinuïteit, helling, amplitude, frequentie); Het coherentie/continuïteit attribuut benadrukt bijvoorbeeld fouten en de spectrale ontleding benadrukt kanaalgeometrieën.
AI in horizon- en foutopsporing
Handmatige horizontracking houdt in dat de tolk een reflectie sectie voor sectie traceert en duizenden punten markeert – nauwkeurig maar langzaam. Op AI gebaseerde automatische trackers kunnen vanaf een paar startpunten beginnen en zich over het hele volume verspreiden; Bij foutdetectie kunnen op CNN gebaseerde modellen (beeldpatroonleernetwerken) discontinuïteiten door het hele volume markeren. Dit snijdt wat voorheen weken met de hand kostte, in uren.
Er zijn echter twee valkuilen. Ten eerste kan de automatische tracker een horizon overslaan en van de ene golftop naar een aangrenzende golftop verschuiven; Het resultaat is een schijnbaar glad maar geologisch onnauwkeurig oppervlak. Ten tweede kan de foutdetector door verwerking gegenereerde lineaire ruis (bijvoorbeeld acquisitievoetafdruk) als een fout aanzien. Daarom wordt elk door AI gegenereerd oppervlakte- en breuknetwerk handmatig geïnspecteerd op kruispunten (breuk-horizon kruispunt) en putlocaties.
Tip: Bewaak visueel een automatisch gevolgde horizon in verschillende belangrijke secties door deze over de gegevens zelf te leggen. Het oppervlak heeft een cyclus overgeslagen waar het een sterke reflectie achterlaat en naar een zwakke piek springt; Verspreid het volume niet zonder deze gebieden handmatig te corrigeren.
Seismische faciesclassificatie
Faciesclassificatie is de taak om het volume in regio's te verdelen op basis van het golfkarakter. Bij de begeleide aanpak wijs je labels toe van bekende lithologieën in de putten en train je het model; Bij de benadering zonder toezicht clustert het model zelf regio's met vergelijkbare kenmerken en geef je er later een geologische betekenis aan. AI biedt hier grote snelheid, maar klassen zijn statistische gelijkenis, geen geologische feiten. De regio die het model "facies 3" noemt, krijgt pas een betekenis als "geulzand" met de kennis van de put en de afzettingsomgeving.
Let op: U geeft het aantal onbewaakte clusterklassen op; Verschillende aantallen klassen produceren compleet verschillende kaarten. Laat u niet opsluiten in één cluster; Verander het aantal klassen en test of het resultaat geologisch stabiel blijft.
Valkuil bij kenmerkanalyse: multivariate relatie
AI kan tientallen functies combineren en krachtige classificaties bouwen. Maar het proberen om een groot aantal kenmerken in een klein aantal putten te passen resulteert in overfitting - het onvermogen van het model om trainingsvoorbeelden te onthouden en te generaliseren naar nieuwe gegevens: de kaart is perfect in putten en betekenisloos tussen putten. Regel: houd het aantal kenmerken evenredig met de controlegegevens (putje) en test de kaart in een onafhankelijke put (blinde test).
drie minikoffers
Geval 1 — Horizontracking tot in uren. De horizon van het hoofdreservoir met een volume van 900 km² werd in 9 dagen handmatig gemarkeerd. De AI-tracker verspreidde het oppervlak vanaf 6 startpunten in 3 uur; De recensent corrigeerde handmatig het gebied waarin 14 cycli werden overgeslagen. Resultaat: dezelfde nauwkeurigheid, één dag in plaats van dagen.
Geval 2 – Een voetafdruk aanzien voor een fout. Een foutdetector markeerde regelmatige noord-zuidlijnen. De commentator merkte op dat deze lijnen exact overeenkwamen met de afstand tussen de acquisitielijnen: het waren geen fouten, maar acquisitievoetafdrukken. De feitelijke fouten stonden loodrecht op dit reguliere patroon; Toen de voetafdruk werd geëlimineerd, kreeg de foutenkaart betekenis.
Geval 3 — Overfitting-facieskaart. Een classificator die trainde met 22 kenmerken en slechts 5 putten gaf een nauwkeurigheid van 98% op de putten, maar classificeerde zandsteen als kleisteen in de zesde (blinde) put. Toen het aantal kenmerken werd teruggebracht tot 6 en opnieuw werd getraind, nam de nauwkeurigheid van de blinde putten toe van 61% naar 88%: de kaart was ook betrouwbaar voor alle putten.
Vier kopieerbare sjablonen
1) Kenmerk selectieoverleg:
Jouw rol: expert op het gebied van seismische interpretatie. Mijn doel: [rivierkanaalzand / carbonaatreservoir]. Welke seismische kenmerken (coherentie, spectrale ontleding, RMS-amplitude, helling) en in welke volgorde moet ik gebruiken om dit doel te benadrukken? Wat vertegenwoordigt elk attribuut, welk misleidend patroon kan het opleveren? Leg het kort uit.
2) Automatische horizoninspectie:
Ik heb een automatisch gevolgde horizon. Geef mij een checklist voor het detecteren van cyclusoverslaan: in welke secties, op welke symptomen moet ik letten (amplitudedaling, plotselinge dieptesprong), hoe kan ik dit bevestigen met de putbevestiging en in welke volgorde voer ik de correctie uit?
3) Testen van Facies-klassenummers:
Ik ben bezig met het clusteren van gezichten zonder toezicht. Ik heb het aantal klassen 4,6 en 8 geprobeerd, de kaarten kwamen er anders uit. Naar welke criteria (verdeling van de clustergrootte, compatibiliteit van de boorputten, ruimtelijke consistentie) moet ik kijken om te beoordelen welk cluster geologisch evenwichtiger is? Stel een beslissingsprocedure voor.
4) Overfittingcontrole:
Ik heb een facies-classificator getraind met [N] kenmerken en [M] putten. Hoe meet ik het risico op overfitting? Hoe zet ik een blinde puttest op, hoe beperk ik het aantal attributen op basis van het aantal putten? Geef uitvoerbare stappen.
Zwakke prompt/sterke prompt
Zwakke prompt:
Zoek het reservoir in dit volume en breng het in kaart.
“Find” verwacht magie in één stap; AI produceert een statistische kaart zonder geologische context, deze kan niet worden geverifieerd.
Krachtige prompt:
Jouw rol: reservoirgerichte tolkspecialist. Context: riviersysteem, doelgeulzand, lithologie bekend in 3 putten. Taak: (1) stel een combinatie van attributen voor die de kanaalgeometrie benadrukken; (2) schrijf de stappen om kandidaat-facies te extraheren door onbewaakte clustering; (3) Vertel me hoe ik elke kandidaat moet testen met 3 putten en een blinde 4e put. Presenteer het resultaat in de taal van de kandidaat, niet in de taal van de geologische feiten.
De geologische context, putcontrole en de vraag naar blind testen maken de output verdedigbaar.
Tolktaken en de rol van AI
Zoektocht
AI-bijdrage
Belangrijkste risico
verificatie
Horizon-tracking
hoge snelheid
Cyclus overslaan
Goed vastbinden, visuele sectie-inspectie
foutdetectie
Kandidaten genereren
Verwar uw voetafdruk niet met een fout
Richting/kruisgegevenscontrole
Facies-classificatie
clustering
betekenisloze klasse
Well- en afzettingsmilieu
Attributen samenvoegen
sterk onderscheid
overfitting
blinde put test
Veel voorkomende fouten
- Automatische horizonspreiding zonder visuele inspectie. Cyclus overslaan produceert een glad maar onnauwkeurig oppervlak.
- Elk lineair patroon voor een fout aanzien. De acquisitievoetafdruk produceert regelmatige lijnen, kijk naar de richting ervan.
- Het toekennen van directe geologische betekenis aan de faciesklasse. Klasse is statistisch; Maak het verstandig met de put.
- Meer attributen, minder putten. Overfitting verandert de kaart in afval tussen putten.
- Sla de blinde test over. Het meten van de nauwkeurigheid alleen in oefenputten is misleidend.
Samengevat
AI in seismische interpretatie; Het reduceert het volgen van horizon/fouten tot uren, clustert snel gezichten en combineert attributen krachtig. Maar elke snelheidswinst heeft een valkuil: cyclusoverslaan, een voetafdruk voor een fout aanzien, zinloze gezichten, overfitting. AI produceert een statistisch overzicht; Hij is de tolk die het ontwerp omzet in de geologische realiteit, er betekenis aan geeft met de kennis van de put en de afzettingsomgeving, en het test met een blinde test. Het ultieme ondergrondse model is altijd het model dat door de mens is vastgesteld en verdedigd.
Applicatie taak
Selecteer een doel (kanaalzand, zuiveringszout, enz.). Maak een attribuutplan met het sjabloon ‘Attribuutkeuzeadvies’. Gebruik vervolgens de sjabloon ‘Facies class count testen’ voor clustering zonder toezicht en vergelijk ten minste twee verschillende klassentellingen; Schrijf op welke geologisch stabieler is en welke puttest je gaat gebruiken om dit te verifiëren.
controlelijst
- [ ] Ik heb de automatische horizon in belangrijke secties visueel geïnspecteerd en het overslaan van de cyclus gecorrigeerd.
- [ ] Ik heb de foutkandidaten van de voetafdruk gescheiden met richtings- en cross-overgegevens.
- [ ] Ik heb de faciesklassen geïnterpreteerd met de put- en afzettingsomgeving.
- [ ] Ik heb het aantal attributen beperkt op basis van het aantal putten.
- [ ] Ik heb het resultaat getest in een blinde put.