Veldgegevens, boorlogboeken en lithologische classificatie

Winst:

• Mogelijkheid om boorlogboeken, kernbeschrijvingen en veldnotities te structureren en lithologische classificatie met AI
• Mogelijkheid om veldwaarnemingen uit vrije tekst om te zetten in standaard geologische terminologie en tabellen
• Mogelijkheid om door AI gegenereerde lithologische interpretaties te verifiëren met kernfotografie, logcurven en stratigrafische plausibiliteit

De grondstof van geologische techniek zijn gegevens, en de meeste van deze gegevens komen op onregelmatige wijze tot stand. Kernbeschrijvingen die op een locatie worden bewaard, zijn vrije teksten die in verschillende woorden zijn geschreven door verschillende geologen; De logboeken van een boorcampagne werden in verschillende formaten bijgehouden, in verschillende eenheden, soms handmatig en soms digitaal; De aantekeningen in het veldboekje staan ​​vol met afkortingen en persoonlijke gewoonten. In deze unit behandelen we het meest concrete en veiligste winstgebied van kunstmatige intelligentie: het structureren van verspreide veldgegevens (vertalen in opvraagbare tabellen), standaardiseren ervan (brengen naar gemeenschappelijke terminologie) en het maken van voorlopige lithologische classificatie (scheiding van gesteentetypes). Maar laten we het vanaf het begin zeggen: kunstmatige intelligentie organiseert de gegevens, de ingenieur keurt de geologische interpretatie goed.

Laten we eerst twee belangrijke termen verduidelijken. Een boorgatlogboek is een registratie van eigenschappen gemeten tegen de diepte langs een put; deze metingen kunnen geologisch (lithologie, verwering) of geofysisch (gammastraling, soortelijke weerstand, dichtheid) zijn. Core (Engelse kern) is een cilindrisch gesteentemonster dat door boren uit de ondergrond wordt gehaald; Het is het meest waardevolle bewijsmateriaal omdat het directe observatie van de ondergrond mogelijk maakt. Lithologie is het type en fysieke karakter van het gesteente (zoals zandsteen, kalksteen, schalie).

Vrije tekst structureren

Een veldgeoloog schrijft een beschrijving: "0-3,2 m bruin, los, kleiachtig grind, slecht gesorteerd; 3,2-7,5 m grijze, matig verweerde, fijn-medium korrelige zandsteen met dun carbonaatcement; 7,5-12 m lichtgrijze, vaste, gespleten kalksteen, calcietader op 9 m." Deze enkele zin is eigenlijk een gecomprimeerde versie van een tabel: dieptebereik, kleur, mate van verwering, lithologie, korrelgrootte, secundaire eigenschappen. Kunstmatige intelligentie decomprimeert dit.

Het cruciale punt is dit: vraag het model om transformatie, niet om gevolgtrekkingen. Met andere woorden: plaats de informatie die duidelijk in de tekst staat in de velden; Verzin niet wat niet in de tekst staat. Als de geoloog voor het veld "mate van verwering" "gemiddeld verweerd" heeft geschreven, schrijft het model dit; Als de geoloog er geen heeft gespecificeerd, moet het model 'niet gespecificeerd' schrijven en niet in een waarde passen. Dit onderscheid vormt de basis van gegevensintegriteit.

Stap voor stap: van een kernboek een spreadsheet maken

1. U definieert eerst het schema. Welke kolommen zijn: diepte_top, diepte_bodem, lithologie, kleur, korrelgrootte, verwering, discontinuïteit, secundair_mineraal, opmerking. U legt het schema op aan het model, zodat de uitvoer consistent is.
2. Geef het standaardwoordenboek. Geef de toegestane termen voor lithologie (zandsteen, siltsteen, kalksteen, mergel, kleisteen, conglomeraat...) en de schaal voor verwering (fris, licht, medium, hoog, vol). Zo worden uitdrukkingen als "een beetje verweerd" standaard.
3. Verwerk kleine batches. Geef het hele notitieboekje niet in één keer, maar in batches van 20-30 regels; Fouten ontdek je vroeg.
4. Ga terug naar de bron en verifieer. Vergelijk willekeurige rijen van de resulterende tabel met de onbewerkte tekst; vooral dieptegrenzen en lithologietermen.

Lithologische classificatie: van logboeken tot interpretatie

AI ondersteunt lithologie op twee manieren. De eerste is het standaardiseren van de definitie van geoloog zoals hierboven. De tweede en meest geavanceerde is de lithologieschatting op basis van geofysische logcurven. De gammastralingslog (de natuurlijke radioactiviteit van het gesteente) neemt bijvoorbeeld toe met het kleigehalte; Kleiachtige niveaus geven hoge waarden, schone zandsteen en kalksteen geven lage waarden. Door weerstands- en dichtheidslogboeken toe te voegen, kan het model lithologiegrenzen uit curvepatronen suggereren.

De limiet is hier belangrijk: logs zijn indirecte metingen. Hoog gamma kan klei, veldspaatrijk zand of vulkanische as zijn. Daarom is loggebaseerde lithologievoorspelling een hypothese; Het is niet definitief, tenzij het verbonden is met kern of stekken (steenslag die tijdens het boren naar de oppervlakte komt). Wanneer het model een grens trekt, vraag dan of er een kern op die diepte aanwezig is; Als dat zo is, wint de kern.

Drie mini-hoesjes: volgens de cijfers

Geval 1 — Consistentie van standaardisatie. In een mijnbouwbedrijf gebruikten 6 verschillende geologen 11 verschillende uitdrukkingen voor "verweerd graniet" (verweerd, veranderd, verrot, kleiachtig...). Door kunstmatige intelligentie ondersteunde standaardisatie plaatste de database met 4.800 rijen op een decompositieschaal van 5 niveaus; Daarna duurde de zoekopdracht "middelmatig tot sterk gescheiden zones" seconden, terwijl dit voorheen dagen duurde. Een willekeurige 10% van de standaardisatie werd door de kern gecontroleerd, de overeenkomst was hoog.

Geval 2 — Voorontwerp van logcorrelatie. Lithologiecorrelatie zou worden gemaakt op basis van gammalogs in twee aangrenzende putten (150 m uit elkaar). Het model stelde een voorlopige correlatie voor die overeenkwam met vier gemeenschappelijke niveaus en markeerde een dikteverschil op één niveau als "mogelijke fout of wig-out". Toen de ingenieur naar de kern van de gemarkeerde zone keek, ontdekte hij een heel klein foutje; Het model gaf geen definitief antwoord, maar vestigde wel de aandacht op de juiste plek.

Geval 3 — Het vastleggen van de verzonnen grens. In één put kende het model een “basalt”-lithologie toe aan het interval van 40-45 m waarvoor geen kerngegevens beschikbaar waren. Basalt werd in de regio niet verwacht; er was alleen gammatoename in de opname. Het geologische plausibiliteitsfilter werd geactiveerd, er werd een clastmonster uit dat interval opgevraagd en het niveau bleek kleiachtige siltsteen te zijn. Het model had het hoge gamma verkeerd geïnterpreteerd.

Zwakke prompt/sterke prompt

Zwakke prompt:

Converteer deze kerndefinities naar een tabel.[text]

Krachtige prompt:

Vertaal de volgende vrije-tekstkernbeschrijving naar het gegeven DIAGRAM. Vul GEEN velden in die niet duidelijk in de tekst staan; schrijf anders "niet gespecificeerd". Schema (kolommen): depth_ust_m | diepte_sub_m | lithologie | kleur |korrelgrootte | segregatie | discontinuïteit | secundair_mineraal | opmerkingToegestane lithologietermen: zandsteen, siltsteen, kleisteen, kalksteen, mergel, conglomeraat, sist, graniet, basalt. Als een term niet in de lijst voorkomt, wordt "?" markeer en schrijf een reden in de notitie. Discriminatieschaal: vers | licht | midden | hoog | hoog | fullText:[kernbeschrijving]

De krachtige prompt legt het schema, het woordenboek en het ‘vervaardigingsverbod’ samen op; De output is zowel consistent als controleerbaar.

Vier kopieerbare sjablonen

1) Standaardisatie van veldnotebooks:

Vertaal de volgende veldnotitie in standaardterminologie. Open afkortingen (bijvoorbeeld "steen" -> "zandsteen"), maar verander de inhoud NIET. Markeer dubbelzinnige zinsneden als '[dubbelzinnig]' en laat de oorspronkelijke zinsnede tussen haakjes staan. Opmerking: [veldopmerking]

2) Loggebaseerde lithologiehypothese:

Stel mogelijke lithologiegrenzen voor op basis van de volgende loggegevens (diepte, gamma, soortelijke weerstand, dichtheid). Schrijf voor elke grens het volgende op: (a) van welke curveverandering u deze afleidt, (b) de mogelijkheid van een alternatieve lithologie, (c) de noodzaak van kernverificatie. Presenteer geen enkele grens als ‘zeker’. Gegevens: [logtabel]

3) Correlatieschets met twee putten:

Vergelijk Well-A- en Well-B-logboeken. Geef de overeenkomende niveaus, de overeenkomende reden en niet-overeenkomende/verdachte zones afzonderlijk weer. Label fouten, erosie of gezichtsverandering als "moet worden geverifieerd". Gegevens: [twee putlogboeken]

4) Controle van de gegevenskwaliteit:

Zoek naar logische fouten in de onderstaande lithologietabel: overlappende dieptebereiken, gaten, onmogelijke uitlijningen, inconsistenties van eenheden, niet-geautoriseerde termen. Rapporteer bevindingen als een tabel met "rijnummer | probleem | suggestie". CORRECTEER de gegevens NIET, markeer ze gewoon.Tabel: [lithologietabel]

Authenticatiebewijshiërarchie

Bewijstype

directheid

betrouwbaarheid

Wanneer te gebruiken

Kern (kern)

meest directe

hoogste

Kritische lithologiegrenzen

Kruimel (snijden)

middelmatig

hoog

Bij gebrek aan kern

geofysisch logboek

indirect

middelmatig

Continu profiel, spleetvulling

Modelvoorspelling

afgeleid

Laag (alleen)

Hypothese, screening

Vrije tekstnotitie

Variabel

Hangt van de geoloog af

Aanvullende context

Tip: Wanneer u kunstmatige intelligentie helpt bij het vinden van lithologiegrenzen, vraag dan naar "mogelijke grens en betrouwbaarheidsniveau", niet naar "exacte grens". De kern geeft nauwkeurigheid, niet het model. De output wordt dan een screeningsinstrument en geen valse claim op zekerheid.

Let op: het model heeft de neiging om dieptebereiken die niet in de gegevens voorkomen op te vullen om "geen gaten achter te laten". Het kan neplithologie produceren, vooral in zones met kernverlies. Markeer duidelijk kernverlieszones en instrueer het model om “leeg te laten als er geen gegevens zijn”.

Veel voorkomende fouten

• Zoekend naar gevolgtrekking in plaats van naar transformatie. Verwachten dat het model ‘raadt’ wat er niet in de tekst staat; Dit opent de deur voor valse gegevens. Structureer gewoon wat er geschreven staat.
• Geen standaardwoordenboek bieden. Vrije terminologie toestaan; Het resultaat is een onbetwistbaar, inconsistent beeld.
• Accepteren dat de logschatting accuraat is. Alleen al het beschouwen van indirecte metingen (gamma, soortelijke weerstand) als bewijs van lithologie; Om de randen naar de handtekening te verplaatsen zonder ze met kern/kruimels te binden.
• Om kernverlieszones te verbergen. Het opvullen van datalacunes in het model; ruimte moet ruimte blijven.
• Gedeeltelijk verwerken en nooit controleren. Geen duizenden rijen tegelijk vertalen en willekeurige steekproeven uitvoeren.

Samengevat

• Kunstmatige intelligentie biedt veilige en hoge efficiëntie bij het structureren, standaardiseren en voorlopige lithologische classificatie van verspreide veldgegevens.
• Vraag om transformatie vanuit het model, niet om gevolgtrekkingen; Verzin niet wat er niet in de tekst staat, druk op "niet gespecificeerd".
• De loggebaseerde schatting van de lithologie is indirect en een hypothese; Dit kan pas worden bevestigd als het wordt gekoppeld aan kern- en kruimelmonsters.
• Je legt het schema en het standaardwoordenboek op; Alleen dan zal de output consistent en controleerbaar zijn.
• Kernboringen staan ​​bovenaan de bewijshiërarchie; Uiteindelijk is de modelvoorspelling alleen onvoldoende.

Applicatie taak

Neem 15-20 regels uit een veldnotitieboekje of kernbeschrijving die je hebt (anonimiseer vertrouwelijke veldinformatie). Definieer eerst uw eigen schema en het toegestane woordenboek voor lithologie/verwering, en vertaal het vervolgens naar een tabel met de krachtige prompt. Vergelijk elke rij van de resulterende tabel met de onbewerkte tekst en markeer alle gebieden die door het model zijn verdraaid of verkeerd geplaatst; Controleer of ten minste één "niet-gespecificeerd" veld correct leeg is gelaten.

controlelijst

• [ ] Ik kan veldobservaties uit vrije tekst omzetten in een tabel, gestructureerd met diagrammen en een standaardwoordenboek.
• [ ] Ik pas de "niet-gespecificeerde" regel toe dat ik een transformatie van het model wil en dat ik het niet laat passen in iets dat niet bestaat.
• [ ] Ik begrijp dat de loggebaseerde lithologieschatting een indirecte hypothese is en aan de kern moet worden gekoppeld.
• [ ] Ik markeer kernverlies- en data gap-zones en voorkom aanpassing.
• [ ] Ik valideer de output volgens de bewijshiërarchie (kern > kruimel > log > model).