Câștiguri:
- Abilitatea de a distinge întreruperea ciclului în urmărirea automată a orizontului și amprenta de achiziție în detectarea defecțiunilor de structura reală și de a o inspecta manual
- Să înțeleagă că clasele de facies seismice sunt statistice și să poată avea sens geologic cu cunoașterea puțurilor și a mediului depozițional.
- Abilitatea de a testa riscul de supraadaptare în combinație de caracteristici cu testul puțului oarbă și de a limita numărul de caracteristici în funcție de numărul de puțuri
Procesarea este terminată; Ai un volum seismic curat, migrat. Acum începe adevărata întrebare: ce spune această imagine despre subteran? Unde sunt limitele stratului, în ce direcție se extind faliile, care zonă este nisip, care este argilă, unde ar putea fi un rezervor? Interpretarea seismică este procesul de extragere a modelului structural și sedimentar (stratigrafic) al subsolului din datele migrate. În această unitate, vom vedea cum inteligența artificială (AI) produce o „prima schiță rapidă” în urmărirea orizontului și a erorilor, clasificarea faciesului seismic și analiza atributelor, dar cine construiește semnificația geologică și modelul final.
Elemente de bază ale interpretării
Să clarificăm termenii. Orizontul este suprafața reflectorizantă continuă observată în secțiunea seismică și care corespunde în general unei limite de strat geologic. O falie este un plan de discontinuitate în care straturile se rup și se deplasează; Apare în locurile în care reflexiile sunt întrerupte sau deplasate în secțiune transversală. Faciesurile seismice sunt regiuni de volum care au caracter similar de undă (amplitudine, continuitate, textură) și reflectă în general un mediu sedimentar similar. Atributele seismice sunt măsurători derivate din urme care direcționează ochiul către anumite caracteristici (discontinuitate, pantă, amplitudine, frecvență); de exemplu, atributul de coerență/continuitate evidențiază erorile, iar descompunerea spectrală evidențiază geometriile canalelor.
AI în orizont și urmărirea erorilor
Urmărirea manuală a orizontului este atunci când interpretul urmărește o reflectare secțiune cu secțiune și marchează mii de puncte - precise, dar lente. Trackerele automate bazate pe inteligență artificială pot începe de la câteva puncte de început și se pot răspândi pe întregul volum; În detectarea defecțiunilor, modelele bazate pe CNN (rețele de învățare a modelelor de imagine) pot marca discontinuități pe tot volumul. Acest lucru reduce ceea ce obișnuia să dureze săptămâni de mână în ore.
Cu toate acestea, există două capcane. În primul rând, dispozitivul de urmărire automată poate sări peste un orizont, trecând de la o creastă a valului la o creasta învecinată; Rezultatul este o suprafață aparent netedă, dar inexactă din punct de vedere geologic. În al doilea rând, detectorul de defecțiuni poate confunda zgomotul liniar generat de procesare (de exemplu, amprenta de achiziție) ca o defecțiune. De aceea, fiecare suprafață și rețea de falie generată de AI este inspectată manual la intersecții (intersecție falie-orizont) și locații ale puțurilor.
Sfat: Monitorizați vizual un orizont urmărit automat în mai multe secțiuni cheie, suprapunându-l pe datele în sine. Suprafața a omis ciclul unde lasă o reflexie puternică și sare la un vârf slab; Nu distribuiți volumul fără a corecta manual aceste zone.
Clasificarea faciesului seismic
Clasificarea facies este sarcina de a împărți volumul în regiuni în funcție de caracterul undei. În abordarea supravegheată, atribuiți etichete din litologii cunoscute în puțuri și antrenați modelul; În abordarea nesupravegheată, modelul însuși grupează regiuni cu caracteristici similare și dați sens geologic mai târziu. AI oferă o viteză mare aici, dar clasele sunt asemănări statistice, nu fapte geologice. Regiunea pe care modelul o numește „facies 3” capătă doar un sens ca „nisip de canal” cu cunoașterea fântânii și a mediului depozițional.
Atenție: furnizați numărul de clase de clustering nesupravegheate; Număr diferit de clase produc hărți complet diferite. Nu vă blocați într-un singur cluster; Schimbați numărul de clase și testați dacă rezultatul rămâne stabil din punct de vedere geologic.
Capcană în analiza caracteristicilor: relație multivariată
AI poate combina zeci de funcții și poate construi clasificatoare puternice. Dar încercarea de a potrivi un număr mare de caracteristici într-un număr mic de puțuri are ca rezultat supraadaptarea - incapacitatea modelului de a memora exemple de antrenament și de a generaliza la date noi: harta este perfectă în puțuri și lipsită de sens între puțuri. Regulă: păstrați numărul de caracteristici proporțional cu datele de control (puț) și testați harta într-un puț independent (test orb).
trei mini cutii
Cazul 1 — Urmărirea orizontului până la ore. Orizontul rezervorului principal într-un volum de 900 km² a fost marcat manual în 9 zile. Trackerul AI a răspândit suprafața din 6 puncte de semințe în 3 ore; Revizorul a corectat manual zona de ignorare a 14 cicluri. Rezultat: aceeași precizie, o zi în loc de zile.
Cazul 2 — Confundarea unei amprente cu o defecțiune. Un detector de defecte a marcat linii regulate nord-sud. Comentatorul a observat că aceste linii corespundeau exact distanței dintre linii de achiziție: nu erau defecte, ci amprente de achiziție. Defecțiunile reale au fost perpendiculare pe acest tipar obișnuit; Când amprenta a fost eliminată, harta defecțiunilor a devenit semnificativă.
Cazul 3 — Harta faciesului supraadaptării. Un clasificator antrenat cu 22 de caracteristici și doar 5 puțuri a dat o precizie de 98% pe puțuri, dar a clasificat gresie ca argilă în a șasea sondă (oarbă). Când numărul de caracteristici a fost redus la 6 și reantrenat, precizia sondei oarbe a crescut de la 61% la 88%: harta a fost, de asemenea, fiabilă între puțuri.
Patru șabloane copiabile
1) Consultare de selecție a atributelor:
Rolul dumneavoastră: expert în interpretare seismică. Ținta mea: [canal fluvial nisip / rezervor de carbonat]. Ce atribute seismice (coerență, descompunere spectrală, amplitudine RMS, pantă) și în ce ordine ar trebui să folosesc pentru a evidenția acest obiectiv? Ce reprezintă fiecare atribut, ce model înșelător ar putea produce? Explicați pe scurt.
2) Inspecție automată a orizontului:
Am un orizont urmărit automat. Dați-mi o listă de verificare pentru detectarea omisului de ciclu: în ce secțiuni, ce simptome ar trebui să caut (scăderea amplitudinii, saltul brusc de adâncime), cum confirm cu legarea puțului și în ce ordine fac corectarea?
3) Testarea numărului de clasă Facies:
Fac grupare facies nesupravegheată. Am încercat numărul de clase 4,6 și 8, hărțile au ieșit diferit. Ce criterii (distribuția mărimii clusterului, compatibilitatea puțurilor, consistența spațială) ar trebui să mă uit pentru a evalua care cluster este mai echilibrat din punct de vedere geologic? Propuneți o procedură de decizie.
4) Controlul suprainstalării:
Am antrenat un clasificator de facies cu caracteristici [N] și puțuri [M]. Cum măsoară riscul de supraadaptare? Cum configurez un test de sondă oarbă, cum pot limita numărul de atribute în funcție de numărul de puțuri? Dați pași acționați.
Prompt slab / Prompt puternic
Prompt slab:
Găsiți rezervorul în acest volum și mapați-l.
„Find” se așteaptă la magie într-un singur pas; AI produce o hartă statistică fără context geologic, nu poate fi verificată.
Solicitare puternică:
Rolul dumneavoastră: specialist în interpretare concentrat pe rezervor. Context: sistem fluvial, nisip canal țintă, litologie cunoscută în 3 puțuri. Sarcină: (1) sugerează o combinație de atribute care vor evidenția geometria canalului; (2) scrieți pașii pentru extragerea faciesului candidat prin clustering nesupravegheat; (3) Spuneți-mi cum să testez fiecare candidat cu 3 godeuri și un al 4-lea godeu orb. Prezentați rezultatul în limbajul „candidat”, nu în limbajul „fapt geologic”.
Contextul geologic, controlul puțurilor și cererea de testare oarbă fac rezultatul defensabil.
Sarcini de interpretare și rolul AI
Căutare
Contribuția AI
Riscul principal
verificarea
Urmărirea orizontului
viteza mare
Bicicletă sărită
Ei bine, inspecție vizuală în secțiune
detectarea defecțiunii
Generarea de candidați
Nu vă confundați amprenta cu o greșeală
Controlul direcției/încrucișării datelor
Clasificarea faciesului
gruparea
clasa fara sens
Puț și mediu depozițional
Îmbinarea atributelor
distinctie puternica
supraadaptare
test put orb
Greșeli comune
- Răspândirea automată a orizontului fără inspecție vizuală. Cycle skip produce o suprafață netedă, dar imprecisă.
- Confundând fiecare model liniar cu o defecțiune. Amprenta de achiziție produce linii regulate, uitați-vă la direcția acesteia.
- Atribuirea unui sens geologic direct clasei facies. Clasa este statistică; Faceți sens cu fântâna.
- Mai multe atribute, mai puține puțuri. Supraechiparea transformă harta în gunoi între puțuri.
- Sari peste testul orb. Măsurarea preciziei numai în puțurile de antrenament este înșelătoare.
Pe scurt
AI în interpretarea seismică; Reduce urmărirea orizontului/defecțiunilor la ore, grupează rapid faciesul și combină atributele puternic. Dar fiecare câștig de viteză are o capcană: sărirea bicicletei, confundarea unei amprente cu o defecțiune, facies fără sens, supraadaptare. AI produce o schiță statistică; El este interpretul care transformă proiectul în realitate geologică, îi dă sens cu cunoașterea fântânii și a mediului depozițional și îl testează cu un test orb. Modelul subteran suprem este întotdeauna cel stabilit și apărat de om.
Sarcina de aplicare
Selectați o țintă (nisip canal, bicarbonat de sodiu etc.). Creați un plan de atribute cu șablonul „Consultare selecție atribute”. Apoi utilizați șablonul „Testarea numărului de clase Facies” pentru gruparea nesupravegheată și comparați cel puțin două numărări diferite de clase; Notați care dintre ele este mai stabilă din punct de vedere geologic și ce test de puț veți folosi pentru a verifica acest lucru.
lista de verificare
- [ ] Am inspectat vizual orizontul automat în secțiuni cheie și am corectat saltul de ciclu.
- [ ] Am separat candidații defecte de amprenta la sol cu date de direcție și încrucișare.
- [ ] Am interpretat clasele de facies cu fântâna și mediul depozițional.
- [ ] Am limitat numărul de atribute în funcție de numărul de puțuri.
- [ ] Am testat rezultatul într-o fântână oarbă.