Date de câmp, bușteni de foraj și clasificare litologică — Inteligența artificială în inginerie geologică

Câștiguri:

Abilitatea de a structura și clasificarea litologică a buștenilor de foraj, descrierilor de miez și note de teren cu AI
Capacitatea de a converti observațiile de câmp cu text liber în terminologie și tabele geologice standard
Abilitatea de a verifica interpretările litologice generate de AI cu fotografie de bază, curbe de log și plauzibilitate stratigrafică

Materia primă a ingineriei geologice sunt datele, iar majoritatea acestor date se nasc neregulat. Descrierile de bază păstrate la un sit sunt texte libere scrise în cuvinte diferite de diferiți geologi; Jurnalele unei campanii de foraj au fost păstrate în diferite formate, în diferite unități, uneori manual și alteori digital; Notele din caietul de teren sunt pline de abrevieri și obiceiuri personale. În această unitate, acoperim cel mai concret și mai sigur domeniu de profit al inteligenței artificiale: structurarea datelor de câmp împrăștiate (traducerea lor în tabele interogabile), standardizarea lor (aducerea la terminologia comună) și realizarea clasificării litologice preliminare (separarea tipului de rocă). Dar să o spunem de la început: inteligența artificială organizează datele, inginerul aprobă interpretarea geologică.

Să clarificăm mai întâi doi termeni cheie. Un jurnal de foraj este o înregistrare a proprietăților măsurate în funcție de adâncime de-a lungul unui puț; aceste măsurători pot fi geologice (litologie, intemperii) sau geofizice (raze gamma, rezistivitate, densitate). Miezul (miezul englezesc) este o probă de rocă cilindrică extrasă din subteran prin foraj; Este cea mai valoroasă dovadă deoarece permite observarea directă a subteranului. Litologia este tipul și caracterul fizic al rocii (cum ar fi gresie, calcar, șisturi).

Structurarea textului liber

Un geolog de teren scrie o descriere: "0-3,2 m pietriș maro, afânat, argilos, slab sortat; 3,2-7,5 m gri, temperat moderat, gresie cu granulație fină-medie, cu ciment carbonat rar; 7,5-12 m calcar gri deschis, solid, fisurat, filon de calcit la 9 m." Această singură propoziție este de fapt o versiune comprimată a unui tabel: interval de adâncime, culoare, grad de intemperii, litologie, dimensiunea granulelor, proprietăți secundare. Inteligența artificială decomprimă acest lucru.

Punctul critic este acesta: cereți modelul pentru transformare, nu inferență. Cu alte cuvinte, plasați informațiile scrise clar în text în câmpuri; Nu inventați ceea ce nu este în text. Pentru câmpul „grad de intemperii”, dacă geologul a scris „mediu intemperii”, modelul scrie acest lucru; Dacă geologul nu a specificat niciunul, modelul ar trebui să scrie „nespecificat” și să nu se potrivească cu o valoare. Această distincție stă la baza integrității datelor.

Pas cu pas: transformarea unei cărți de bază într-o foaie de calcul

Mai întâi definiți schema. Ce coloane vor fi: depth_top, depth_bottom, litologie, culoare, granulație, intemperii, discontinuitate, secundar_mineral, notă. Impuși schema modelului astfel încât rezultatul să fie consecvent.
Dați dicționarul standard. Dați termenii admisi pentru litologie (gresie, silt, calcar, marne, argilă, conglomerat...) și scara pentru intemperii (proaspăt, ușor, mediu, înalt, plin). Astfel, expresii precum „puțin înrăit” devin standard.
Procesați un lot mic. Dați întregul caiet nu deodată, ci în loturi de 20-30 de rânduri; Prindeți greșelile devreme.
Reveniți la sursă și verificați. Comparați rândurile aleatorii ale tabelului rezultat cu textul brut; în special limitele de adâncime şi termenii litologici.

Clasificare litologică: de la bușteni la interpretare

AI sprijină litologia în două moduri. Primul este de a standardiza definiția geologului ca mai sus. A doua și mai avansată este estimarea litologiei din curbele logului geofizice. De exemplu, logul de raze gamma (radioactivitatea naturală a rocii) crește odată cu conținutul de argilă; Nivelurile argiloase dau valori ridicate, gresiile curate si calcarele dau valori mici. Adăugând jurnalele de rezistivitate și densitate, modelul poate sugera limite litologice din modelele de curbe.

Limita aici este importantă: logurile sunt măsurători indirecte. Gama ridicată poate fi argilă, nisip bogat în feldspat sau cenușă vulcanică. Prin urmare, predicția litologiei bazată pe log este o ipoteză; Nu este definitiv decât dacă este conectat cu miez sau tăieturi (așchii de rocă care ies la suprafață în timpul forajului). Când modelul trasează o limită, întrebați dacă există vreun miez la acea adâncime; Dacă există, nucleul câștigă.

Trei mini carcase: după cifre

Cazul 1 – Consecvența standardizării. Într-o companie minieră, 6 geologi diferiți au folosit 11 expresii diferite pentru „granit înrăit” (deteriorat, alterat, putrezit, argilos...). Standardizarea asistată de inteligență artificială a plasat baza de date cu 4.800 de rânduri pe o scară de descompunere pe 5 niveluri; Ulterior, interogarea „zone medii-foarte segregate” a durat câteva secunde, în timp ce anterior a durat zile. Un 10% aleatoriu din standardizare a fost verificat de bază, acordul a fost ridicat.

Cazul 2 — Proiect preliminar de corelare a jurnalelor. Corelația litologiei s-ar face din bușteni gamma în două puțuri învecinate (la 150 m distanță). Modelul a propus o corelație preliminară care se potrivea cu patru niveluri comune și a marcat o diferență de grosime la un nivel ca „posibilă defecțiune sau pană”. Când inginerul s-a uitat la miezul zonei marcate, a găsit o defecțiune foarte mică; Modelul nu a dat răspunsul definitiv, dar a atras atenția spre locul potrivit.

Cazul 3 — Capturarea chenarului fabricat. Într-un puț, modelul a atribuit o litologie „bazalt” intervalului de 40-45 m pentru care nu existau date de bază. Bazalt nu era de așteptat în regiune; a existat doar o creștere gamma în înregistrare. S-a activat filtrul de plauzibilitate geologică, s-a solicitat o probă de clast din acel interval, iar nivelul s-a constatat a fi argilos argilos. Modelul interpretase greșit gama ridicată.

Solicitare slabă / Solicitare puternică

Prompt slab:

Convertiți aceste definiții de bază într-un tabel.[text]

Solicitare puternică:

Puternicul prompt impune împreună schema, dicționarul și „interdicția de fabricație”; Rezultatul este atât consistent, cât și auditabil.

Patru șabloane copiabile

1) Standardizare caiete de teren:

Traduceți următoarea notă de câmp în terminologia standard. Deschideți abrevieri (de exemplu, „piatră”-> „gresie”), dar NU modificați conținutul. Marcați frazele ambigue ca „[ambiguu]” și păstrați fraza originală între paranteze. Notă: [notă de câmp]

2) Ipoteza litologiei bazată pe log:

Sugerați limite de litologie posibile din următoarele date log (adâncime, gamma, rezistivitate, densitate). Pentru fiecare graniță, scrieți: (a) din ce schimbare de curbă o derivați, (b) posibilitatea unei litologii alternative, (c) necesitatea verificării carotei. Nu prezentați nicio limită ca fiind „cert”. Date: [tabel jurnal]

3) Două schițe de corelare:

Comparați jurnalele Well-A și Well-B. Enumerați separat nivelurile de potrivire, motivul de potrivire și zonele nepotrivite/suspecte. Etichetați defecțiunea, eroziunea sau faciesul se schimbă ca „trebuie verificat”. Date: [două jurnalele de puțuri]

4) Controlul calității datelor:

Căutați erori logice în tabelul litologic de mai jos: intervale de adâncime suprapuse, goluri, aliniamente imposibile, inconsecvențe ale unității, termeni neautorizați. Raportați constatările ca tabel „număr de rând | problemă | sugestie”. NU CORECTAȚI datele, doar marcați-le. Tabel: [tabel litologie]

Ierarhia de autentificare

Tipul probei

directie

fiabilitate

Când să utilizați

miez (nucleu)

cele mai directe

cel mai înalt

Limitele litologiei critice

pesmet (tăiere)

mediu

înalt

În lipsa miezului

jurnal geofizic

indirect

mediu

Profil continuu, umplere goluri

Predicția modelului

derivate

Scăzut (singur)

Ipoteza, screening

Notă cu text gratuit

Variabilă

Depinde de geolog

Context suplimentar

Sfat: atunci când ajutați inteligența artificială să găsească limitele litologiei, cereți „limită posibilă și nivel de încredere”, nu „limită exactă”. Nucleul oferă precizie, nu modelul. Rezultatul devine apoi un instrument de screening, nu o pretenție falsă la certitudine.

Atenție: modelul tinde să completeze intervalele de adâncime care nu sunt în date pentru a „nu lăsa lacune”. Poate produce litologie falsă, în special în zonele cu pierderi de miez. Marcați clar zonele de pierdere de bază și instruiți modelul să „lăseze necompletat dacă nu există date”.

Greșeli comune

Căutând inferență mai degrabă decât transformare. Așteptând ca modelul să „ghicească” ceea ce nu este în text; Acest lucru deschide ușa datelor false. Doar structurați ceea ce este scris.
Nu oferă un dicționar standard. Permiterea terminologiei libere; Rezultatul este o imagine incontestabilă, inconsecventă.
Se acceptă estimarea jurnalului ca fiind exactă. Considerând doar măsurătorile indirecte (gama, rezistivitate) drept dovezi ale litologiei; Pentru a muta chenarele la semnătură fără a le lega cu miez/pesmet.
Pentru a ascunde zonele de pierdere de bază. Completarea lacunelor de date din model; spațiul trebuie să rămână spațiu.
Se procesează în loturi și nu se verifică niciodată. Nu traduceți mii de rânduri simultan și faceți verificarea aleatorie a probelor.

Pe scurt

Inteligența artificială oferă o eficiență sigură și ridicată în structurarea, standardizarea și clasificarea litologică preliminară a datelor de câmp dispersate.
Cereți transformarea din model, nu inferența; Nu inventați ceea ce nu este în text, tipăriți „nespecificat”.
Estimarea litologiei bazată pe log este indirectă și o ipoteză; Nu poate fi confirmat până când nu este conectat la probele de miez și firimituri.
Impuși schema și dicționarul standard; Numai atunci rezultatul va fi consistent și controlabil.
Forarea carotelor se află în vârful ierarhiei dovezilor; În partea de jos, doar predicția modelului este insuficientă.

Sarcina de aplicare

Luați 15-20 de rânduri dintr-un caiet de câmp sau dintr-o descriere de bază pe care o aveți (anonimizați informațiile confidențiale ale câmpului). Mai întâi definiți-vă propria schemă și dicționarul de litologie/meteori permise, apoi traduceți-l într-un tabel cu promptul puternic. Comparați fiecare rând din tabelul rezultat cu textul brut și semnalați toate zonele pe care modelul le-a înșurubat sau deplasat; Verificați dacă cel puțin un câmp „nespecificat” este lăsat necompletat corect.

lista de verificare

[ ] Pot converti observațiile câmpurilor de text liber într-un tabel structurat cu diagrame și dicționar standard.
[ ] Aplic regula „nespecificată” că vreau o transformare din model și că nu o fac să se potrivească cu ceva care nu există.
[ ] Înțeleg că estimarea litologiei bazată pe log este o ipoteză indirectă și ar trebui să fie legată de nucleu.
[ ] Marcez zonele de pierdere de bază și de goluri de date și previn montarea.
[ ] Validez rezultatul conform ierarhiei dovezilor (core > crumb > log > model).