Gevinster:
- Evne til å skille syklushoppet i automatisk horisontsporing og innsamlingsfotavtrykket ved feildeteksjon fra den virkelige strukturen og manuelt inspisere den
- Forstå at seismiske faciesklasser er statistiske og kunne gi geologisk mening med kunnskap om brønner og avsetningsmiljøer.
- Evne til å teste risikoen for overfitting i funksjonskombinasjon med blindbrønntesten og begrense antall funksjoner i henhold til antall brønner
Behandlingen er ferdig; Du har et rent, migrert seismisk volum. Nå begynner det virkelige spørsmålet: hva sier dette bildet om undergrunnen? Hvor går laggrensene, i hvilken retning strekker forkastningene seg, hvilket område er sand, som er leire, hvor kan det være et reservoar? Seismisk tolkning er prosessen med å trekke ut den strukturelle og sedimentære (stratigrafiske) modellen av undergrunnen fra migrerte data. I denne enheten skal vi se hvordan kunstig intelligens (AI) produserer et «quick first draft» i horisont- og feilsporing, seismisk faciesklassifisering og attributtanalyse, men hvem bygger den geologiske betydningen og den endelige modellen.
Byggesteiner for tolkning
La oss avklare vilkårene. Horisont er den kontinuerlige reflekterende overflaten observert i det seismiske snittet og tilsvarer generelt en geologisk laggrense. En feil er et diskontinuitetsplan der lag brytes og forskyves; Det vises på steder der refleksjoner blir avbrutt eller forskjøvet i tverrsnittet. Seismiske facies er volumområder som har lignende bølgekarakter (amplitude, kontinuitet, tekstur) og generelt reflekterer et lignende sedimentært miljø. Seismiske attributter er målinger avledet fra spor som leder øyet til visse funksjoner (diskontinuitet, helning, amplitude, frekvens); for eksempel fremhever koherens/kontinuitetsattributtet feil og den spektrale dekomponeringen fremhever kanalgeometrier.
AI i horisont og feilsporing
Manuell horisontsporing er når tolken sporer en refleksjon seksjon for seksjon og markerer tusenvis av punkter – nøyaktig, men sakte. AI-baserte automatiske sporere kan starte fra noen få frøpunkter og spre seg over hele volumet; Ved feildeteksjon kan CNN-baserte modeller (bildemønsterlæringsnettverk) markere diskontinuiteter i hele volumet. Dette kutter det som før tok uker for hånd til timer.
Det er imidlertid to feller. For det første kan den automatiske sporingen hoppe over en horisont – skifte fra en bølgetopp til en nabotopp; Resultatet er en tilsynelatende jevn, men geologisk unøyaktig overflate. For det andre kan feildetektoren ta feil av behandlingsgenerert lineær støy (f.eks. innsamlingsfotavtrykk) som en feil. Det er grunnen til at alle overflater og feilnettverk generert av AI blir manuelt inspisert ved kryss (forkastningshorisont-kryss) og brønnplasseringer.
Tips: Visuelt overvåk en automatisk sporet horisont i flere nøkkelseksjoner ved å overlegge den på selve dataene. Overflaten har hoppet over hvor den etterlater en sterk refleksjon og hopper til en svak topp; Ikke spre volumet uten å korrigere disse områdene manuelt.
Klassifisering av seismisk fasjon
Facies-klassifisering er oppgaven med å dele volumet inn i regioner i henhold til bølgekarakter. I den overvåkede tilnærmingen tildeler du etiketter fra kjente litologier i brønnene og trener modellen; I den uovervåkede tilnærmingen grupperer modellen i seg selv regioner med lignende egenskaper, og du gir geologisk mening senere. AI gir stor hastighet her, men klasser er statistiske likheter, ikke geologiske fakta. Regionen som modellen kaller "facies 3" får bare en betydning som "kanalsand" med kunnskap om brønnen og avsetningsmiljøet.
Oppmerksomhet: Du oppgir antall uovervåkede klyngeklasser; Ulike antall klasser produserer helt forskjellige kart. Ikke bli låst inn i en enkelt klynge; Endre antall klasser og test om resultatet forblir geologisk stabilt.
Fallgruve i funksjonsanalyse: multivariat forhold
AI kan kombinere dusinvis av funksjoner og bygge kraftige klassifiserere. Men å prøve å tilpasse et stort antall funksjoner til et lite antall brønner resulterer i overtilpasning – modellens manglende evne til å huske treningseksempler og generalisere til nye data: kartet er perfekt i brønner og meningsløst mellom brønner. Regel: hold antall funksjoner proporsjonalt med kontrolldataene (brønn) og test kartet i en uavhengig brønn (blindtest).
tre minisaker
Tilfelle 1 — Horisontsporing ned til timer. Hovedreservoarhorisonten i et volum på 900 km² ble merket manuelt på 9 dager. AI-trackeren spredte overflaten fra 6 frøpunkter på 3 timer; Kontrolløren korrigerte manuelt 14-syklus-området. Resultat: samme nøyaktighet, én dag i stedet for dager.
Tilfelle 2 – Å misforstå et fotavtrykk for en feil. En feildetektor markerte vanlige nord-sør-linjer. Kommentatoren la merke til at disse linjene korresponderte nøyaktig med linjeavstanden for innhenting: de var ikke feil, men oppkjøpsfotavtrykk. De faktiske feilene løp vinkelrett på dette vanlige mønsteret; Da fotavtrykket ble eliminert, ble feilkartet meningsfylt.
Case 3 — Overfitting facies map. En klassifiserer trent med 22 funksjoner og bare 5 brønner ga 98 % nøyaktighet på brønnene, men klassifiserte sandstein som leirestein i den sjette (blinde) brønnen. Da antallet funksjoner ble redusert til 6 og omskolert, økte blindbrønnøyaktigheten fra 61 % til 88 %: kartet var også pålitelig på tvers av brønner.
Fire kopierbare maler
1) Konsultasjon for valg av attributter:
Din rolle: seismisk tolkningsekspert. Mitt mål: [fluvial kanal sand / karbonatreservoar]. Hvilke seismiske attributter (koherens, spektral dekomponering, RMS-amplitude, helning) og i hvilken rekkefølge skal jeg bruke for å fremheve dette målet? Hva representerer hver egenskap, hvilket misvisende mønster kan det produsere? Forklar kort.
2) Automatisk horisontinspeksjon:
Jeg har en automatisk sporet horisont. Gi meg en sjekkliste for å oppdage syklushopp: i hvilke seksjoner, hvilke symptomer skal jeg se etter (amplitudefall, plutselig dybdehopp), hvordan bekrefter jeg med brønnbåndet, og i hvilken rekkefølge foretar jeg korrigeringen?
3) Facies klassenummertesting:
Jeg gjør uovervåket ansiktsgruppering. Jeg prøvde antall klasser 4,6 og 8, kartene kom annerledes ut. Hvilke kriterier (klyngestørrelsesfordeling, brønnkompatibilitet, romlig konsistens) bør jeg se på for å evaluere hvilken klynge som er mer geologisk balansert? Foreslå en beslutningsprosedyre.
4) Overmonteringskontroll:
Jeg trente en faciesklassifisering med [N] funksjoner og [M] brønner. Hvordan måler jeg risikoen for overtilpasning? Hvordan setter jeg opp en blindbrønntest, hvordan begrenser jeg antall attributter basert på antall brønner? Gi handlingsrettede trinn.
Svak forespørsel / Sterk forespørsel
Svak melding:
Finn reservoaret i dette volumet og kartlegg det.
"Finn" forventer ett-trinns magi; AI produserer et statistisk kart uten geologisk kontekst, det kan ikke verifiseres.
Kraftig ledetekst:
Din rolle: reservoarfokusert tolkningsspesialist. Kontekst: fluvialsystem, målkanalsand, litologi kjent i 3 brønner. Oppgave:(1) foreslå en kombinasjon av attributter som vil fremheve kanalgeometrien; (2) skriv trinnene for å trekke ut kandidatfacies ved uovervåket klynging; (3) Fortell meg hvordan jeg tester hver kandidat med 3 brønner og en blind 4. brønn. Presenter resultatet på «kandidat»-språk, ikke «geologisk fakta»-språk.
Geologisk kontekst, brønnkontroll og kravet om blindtesting gjør utgangen forsvarlig.
Tolkeoppgaver og rollen til AI
Quest
AI-bidrag
Hovedrisiko
verifisering
Horisontsporing
høy hastighet
Hopp over syklusen
Brønnbind, visuell snittinspeksjon
feildeteksjon
Generer kandidater
Ikke forveksle fotavtrykket ditt med en feil
Retning/kryssdatakontroll
Facies klassifisering
gruppering
meningsløs klasse
Brønn og avsetningsmiljø
Attributtsammenslåing
sterk forskjell
overmontering
blindbrønntest
Vanlige feil
- Automatisk spredning av horisonten uten visuell inspeksjon. Cycle skip produserer jevn, men unøyaktig overflate.
- Forveksler hvert lineært mønster med en feil. Oppkjøpet fotavtrykk produserer vanlige linjer, se på retningen.
- Tilskrive facies-klassen direkte geologisk mening. Klasse er statistisk; Gjør det fornuftig med brønnen.
- Flere attributter, færre brønner. Overfitting gjør kartet til søppel mellom brønner.
- Hopp over blindtesten. Å måle nøyaktighet kun i treningsbrønner er misvisende.
Oppsummert
AI i seismisk tolkning; Den reduserer horisont-/feilsporing til timer, grupperer raskt ansikter og kombinerer attributter kraftig. Men hver fartsøkning har en felle: syklushopp, å forveksle et fotavtrykk med en feil, meningsløse ansikter, overtilpasning. AI produserer en statistisk oversikt; Han er tolken som gjør utkastet til geologisk virkelighet, gir mening ut av det med kunnskap om brønnen og avsetningsmiljøet, og tester det med en blindtest. Den ultimate undergrunnsmodellen er alltid den som er etablert og forsvart av mennesket.
Søknadsoppgave
Velg et mål (kanalsand, natron, etc.). Lag en attributtplan med malen "Attributtvalgskonsultasjon". Bruk deretter malen "Facies klasseteller" for uovervåket klynging og sammenlign minst to forskjellige klassetellinger; Skriv ned hvilken som er mer geologisk stabil og hvilken brønntest du skal bruke for å verifisere dette.
sjekkliste
- [ ] Jeg inspiserte den automatiske horisonten visuelt i nøkkelseksjoner og korrigerte syklushoppet.
- [ ] Jeg skilte feilkandidatene fra fotavtrykket med retnings- og kryssdata.
- [ ] Jeg tolket facies-klassene med brønn- og avsetningsmiljøet.
- [ ] Jeg begrenset antall attributter basert på antall brønner.
- [ ] Jeg testet resultatet i en blindbrønn.