Feltdata, borelogger og litologisk klassifisering — Kunstig intelligens i geologisk ingeniørfag

Gevinster:

Evne til strukturering og litologisk klassifisering av borelogger, kjernebeskrivelser og feltnotater med AI
Evne til å konvertere fritekstfeltobservasjoner til standard geologisk terminologi og tabeller
Evne til å verifisere AI-genererte litologiske tolkninger med kjernefotografering, loggkurver og stratigrafisk plausibilitet

Råmaterialet til geologisk ingeniørfag er data, og det meste av disse dataene er født uregelmessig. Kjernebeskrivelser som holdes på et sted er fritekster skrevet med forskjellige ord av forskjellige geologer; Loggene til en borekampanje ble holdt i forskjellige formater, i forskjellige enheter, noen ganger manuelt og noen ganger digitalt; Notatene i feltnotisboken er fulle av forkortelser og personlige vaner. I denne enheten dekker vi det mest konkrete og sikreste profittområdet for kunstig intelligens: strukturering av spredte feltdata (oversetter dem til spørrebare tabeller), standardiserer dem (bringer det til vanlig terminologi) og gjør foreløpig litologisk klassifisering (bergartseparasjon). Men la oss si det fra begynnelsen: kunstig intelligens organiserer dataene, ingeniøren godkjenner den geologiske tolkningen.

La oss avklare to nøkkelbegreper først. En borehullslogg er en oversikt over egenskaper målt mot dybde langs en brønn; disse målingene kan være geologiske (litologi, forvitring) eller geofysiske (gammastråler, resistivitet, tetthet). Kjerne (engelsk kjerne) er en sylindrisk steinprøve hentet fra undergrunnen ved boring; Det er det mest verdifulle beviset da det tillater direkte observasjon av undergrunnen. Litologi er bergartens type og fysiske karakter (som sandstein, kalkstein, skifer).

Strukturere fritekst

En feltgeolog skriver en beskrivelse: "0-3,2 m brun, løs, leirholdig grus, dårlig sortert; 3,2-7,5 m grå, middels forvitret, fin-middelkornet sandstein med sparsom karbonatsement; 7,5-12 m lys grå, fast, sprukket kalkstein, 9 m kalsittåre." Denne enkeltsetningen er faktisk en komprimert versjon av en tabell: dybdeområde, farge, grad av forvitring, litologi, kornstørrelse, sekundære egenskaper. Kunstig intelligens dekomprimerer dette.

Det kritiske punktet er dette: spør modellen om transformasjon, ikke slutning. Med andre ord, plasser informasjonen tydelig skrevet i teksten i feltene; Ikke gjør opp det som ikke står i teksten. For feltet "grad av forvitring", hvis geologen skrev "middels forvitret", skriver modellen dette; Hvis geologen ikke spesifiserte noen, skal modellen skrive "uspesifisert" og ikke passe til en verdi. Denne forskjellen er grunnlaget for dataintegritet.

Trinn for trinn: gjør en kjernebok til et regneark

Du definerer skjemaet først. Hvilke kolonner vil være: depth_top, depth_bottom, litologi, farge, kornstørrelse, forvitring, diskontinuitet, sekundær_mineral, merk. Du pålegger skjemaet på modellen slik at utgangen er konsistent.
Gi standardordboken. Gi de tillatte begrepene for litologi (sandstein, siltstein, kalkstein, mergel, leirstein, konglomerat...) og skalaen for forvitring (fersk, lett, middels, høy, full). Dermed blir uttrykk som «litt forvitret» standard.
Behandle liten batch. Gi hele notatboken ikke på en gang, men i grupper på 20-30 linjer; Du fanger feil tidlig.
Gå tilbake til kilden og bekreft. Sammenlign tilfeldige rader i den resulterende tabellen med råteksten; spesielt dybdegrenser og litologiske termer.

Litologisk klassifisering: Fra logger til tolkning

AI støtter litologi på to måter. Den første er å standardisere definisjonen av geolog som ovenfor. Den andre og mer avanserte er litologisk estimering fra geofysiske loggkurver. For eksempel øker gammastråleloggen (bergartens naturlige radioaktivitet) med leireinnholdet; Leirholdige nivåer gir høye verdier, rene sandsteiner og kalksteiner gir lave verdier. Ved å legge til resistivitets- og tetthetslogger, kan modellen foreslå litologigrenser fra kurvemønstre.

Grensen her er viktig: logger er indirekte målinger. Høy gamma kan være leire, feltspatrik sand eller vulkansk aske. Derfor er loggbasert litologiprediksjon en hypotese; Det er ikke definitivt med mindre det er forbundet med kjerne eller borekaks (steinflis som kommer til overflaten under boring). Når modellen trekker en grense, spør om det er noen kjerne på den dybden; Hvis det er det, vinner kjernen.

Tre minivesker: etter tallene

Tilfelle 1 — Standardiseringskonsistens. I et gruveselskap brukte 6 forskjellige geologer 11 forskjellige uttrykk for "forvitret granitt" (forvitret, endret, råtten, leireaktig...). Kunstig intelligens-assistert standardisering plasserte databasen med 4800 rader på en 5-nivå nedbrytningsskala; Etterpå tok søket "middels-høyt segregerte soner" sekunder, mens det tidligere tok dager. Tilfeldig 10 % av standardiseringen ble sjekket av kjerne, enigheten var høy.

Sak 2 — Loggkorrelasjon foreløpig utkast. Litologisk korrelasjon vil bli laget fra gammalogger i to nabobrønner (150 m fra hverandre). Modellen foreslo en foreløpig korrelasjon som samsvarte med fire vanlige nivåer og flagget en tykkelsesforskjell på ett nivå som "mulig feil eller kile ut." Da ingeniøren så på kjernen av den merkede sonen, fant han en veldig liten feil; Modellen ga ikke det definitive svaret, men den trakk oppmerksomheten til rett sted.

Tilfelle 3 - Fange den fabrikkerte kanten. I en brønn tildelte modellen en "basalt" litologi til 40-45 m intervallet som det ikke var noen kjernedata for. Basalt var ikke forventet i regionen; det var kun gammaøkning i opptaket. Det geologiske plausibilitetsfilteret ble aktivert, det ble bedt om en klasseprøve fra det intervallet, og nivået ble funnet å være leirholdig siltstein. Modellen hadde feiltolket det høye gamma.

Svak forespørsel / sterk forespørsel

Svak melding:

Konverter disse kjernedefinisjonene til en tabell.[tekst]

Kraftig ledetekst:

Den kraftige oppfordringen pålegger skjemaet, ordboken og "fabrikasjonsforbudet" sammen; Resultatet er både konsistent og kontrollerbart.

Fire kopierbare maler

1) Feltnotisbokstandardisering:

Oversett følgende feltnotat til standardterminologi. Åpne forkortelser (f.eks. "stein"->"sandstein"), men IKKE endre innholdet. Merk tvetydige setninger som "[tvetydig]" og behold den opprinnelige setningen i parentes. Merk: [feltnotat]

2) Loggbasert litologihypotese:

Foreslå mulige litologiske grenser fra følgende loggdata (dybde, gamma, resistivitet, tetthet). For hver grense, skriv: (a) hvilken kurveendring du utleder den fra, (b) muligheten for en alternativ litologi, (c) behovet for verifisering av kjernekontroll. Ikke presenter noen grense som "sikker". Data: [loggtabell]

3) Korrelasjonsskisse med to brønner:

Sammenlign brønn-A- og brønn-B-logger. Oppgi samsvarende nivåer, samsvarende årsak og feilaktige/mistenkelige soner separat. Etikettfeil, erosjon eller faser endres som "må verifiseres". Data: [to brønnlogger]

4) Datakvalitetskontroll:

Se etter logiske feil i litologitabellen nedenfor: overlappende dybdeområder, gap, umulige justeringer, enhetsinkonsekvenser, uautoriserte termer. Rapporter funn som en "radnummer | problem | forslag"-tabell. IKKE KORRIGER data, bare merk dem. Tabell: [litologitabell]

Autentiseringsbevishierarki

Bevistype

direktehet

pålitelighet

Når du skal bruke

Kjerne (kjerne)

mest direkte

høyest

Kritiske litologiske grenser

Crumb (kutting)

medium

høy

I fravær av kjerne

geofysisk logg

indirekte

medium

Gjennomgående profil, spaltefylling

Modellprediksjon

avledet

Lav (alene)

Hypotese, screening

Fritekstnotat

Variabel

Avhenger av geolog

Ytterligere kontekst

Tips: Når du hjelper kunstig intelligens med å finne litologiske grenser, spør om "mulig grense og konfidensnivå", ikke "nøyaktig grense". Kjernen gir nøyaktighet, ikke modellen. Utdataene blir da et screeningsverktøy, ikke et falskt krav om sikkerhet.

Forsiktig: Modellen har en tendens til å fylle ut dybdeområder som ikke er i dataene for å "ikke etterlate hull". Det kan produsere falsk litologi, spesielt i soner med kjernetap. Merk tydelig kjernetapssoner og instruer modellen om å "la stå tomt hvis ingen data".

Vanlige feil

Søker slutninger i stedet for transformasjon. Forventer at modellen skal "gjette" hva som ikke står i teksten; Dette åpner døren for falske data. Bare strukturer det som står.
Leverer ikke en standard ordbok. Tillater gratis terminologi; Resultatet er et utvilsomt, inkonsekvent bilde.
Godta logganslaget som nøyaktig. Vurderer indirekte målinger (gamma, resistivitet) alene som bevis på litologi; For å flytte grensene til signaturen uten å binde dem med kjerne/smuler.
For å skjule kjernetapssoner. Fylle datahull i modellen; plass må forbli plass.
Behandler i partier og sjekker aldri. Ikke oversetter tusenvis av rader på en gang og gjør stikkprøvekontroll.

Oppsummert

Kunstig intelligens gir sikker og høy effektivitet i strukturering, standardisering og foreløpig litologisk klassifisering av spredte feltdata.
Be om transformasjon fra modellen, ikke slutning; Ikke lag opp det som ikke står i teksten, skriv ut "uspesifisert".
Det loggbaserte litologiestimatet er indirekte og en hypotese; Det kan ikke bekreftes før det er koblet til kjerne- og smuleprøver.
Du pålegger skjemaet og standardordboken; Først da vil utgangen være konsistent og kontrollerbar.
Kjerneboring er på toppen av bevishierarkiet; Nederst er modellprediksjonen alene utilstrekkelig.

Søknadsoppgave

Ta 15-20 linjer fra en feltnotisbok eller kjernebeskrivelse du har (anonymiser konfidensiell feltinformasjon). Definer først ditt eget skjema og tillatt litologi/forvitringsordbok, og oversett det deretter til en tabell med den kraftige ledeteksten. Sammenlign hver rad i den resulterende tabellen med råteksten, og flagg eventuelle områder som modellen har forskjøvet eller forlagt; Sjekk om minst ett "uspesifisert" felt er tomt på riktig måte.

sjekkliste

[ ] Jeg kan konvertere fritekstfeltobservasjoner til en tabell strukturert med diagrammer og standardordbok.
[ ] Jeg bruker den "uspesifiserte" regelen om at jeg ønsker en transformasjon fra modellen og at jeg ikke får den til å passe til noe som ikke eksisterer.
[ ] Jeg forstår at det log-baserte litologiestimatet er en indirekte hypotese og bør knyttes til kjernen.
[ ] Jeg merker kjernetap og datagap-soner og forhindrer tilpasning.
[ ] Jeg validerer utdata i henhold til bevishierarkiet (kjerne > smule > logg > modell).