Vinster:
- Möjlighet att särskilja cykelhoppet i automatisk horisontspårning och förvärvsfotavtrycket vid feldetektering från den verkliga strukturen och manuellt inspektera det
- Förstå att seismiska faciesklasser är statistiska och kunna ge geologisk mening med kunskap om brunnar och deponeringsmiljöer.
- Möjlighet att testa risken för övermontering i kombination med blindbrunnstestet och begränsa antalet funktioner enligt antalet brunnar
Bearbetningen är klar; Du har en ren, migrerad seismisk volym. Nu börjar den verkliga frågan: vad säger den här bilden om underjorden? Var går skiktgränserna, i vilken riktning sträcker sig förkastningarna, vilket område är sand, vilket är lera, var kan det finnas en reservoar? Seismisk tolkning är processen att extrahera den strukturella och sedimentära (stratigrafiska) modellen av underytan från migrerade data. I den här enheten kommer vi att se hur artificiell intelligens (AI) ger ett "snabbt första utkast" i horisont- och felspårning, seismisk faciesklassificering och attributanalys, men vem bygger den geologiska innebörden och slutmodellen.
Byggstenar för tolkning
Låt oss förtydliga villkoren. Horisont är den kontinuerliga reflekterande ytan som observeras i den seismiska sektionen och som i allmänhet motsvarar en geologisk skiktgräns. Ett fel är ett diskontinuitetsplan där lager bryts och skiftar; Det uppträder på platser där reflektioner avbryts eller förskjuts i tvärsnittet. Seismiska facies är volymområden som har liknande vågkaraktär (amplitud, kontinuitet, textur) och i allmänhet återspeglar en liknande sedimentär miljö. Seismiska attribut är mätningar som härrör från spår som riktar ögat till vissa egenskaper (diskontinuitet, lutning, amplitud, frekvens); till exempel framhäver koherens/kontinuitetsattributet fel och den spektrala nedbrytningen framhäver kanalgeometrier.
AI i horisont och felspårning
Manuell horisontspårning är när tolken spårar en reflektion sektion för sektion och markerar tusentals punkter – exakt men långsam. AI-baserade automatiska spårare kan starta från några få startpunkter och spridas över hela volymen; Vid feldetektering kan CNN-baserade modeller (bildmönsterinlärningsnätverk) markera diskontinuiteter i hela volymen. Detta minskar det som brukade ta veckor för hand till timmar.
Det finns dock två fällor. För det första kan den automatiska spåraren hoppa över en horisont – växla från en vågtopp till en närliggande topp; Resultatet är en till synes slät men geologiskt inexakt yta. För det andra kan feldetektorn missta bearbetningsgenererat linjärt brus (t.ex. insamlingsfotavtryck) som ett fel. Det är därför varje yt- och felnätverk som genereras av AI inspekteras manuellt vid korsningar (korsning med felhorisont) och brunnsplatser.
Tips: Övervaka visuellt en automatiskt spårad horisont i flera nyckelsektioner genom att lägga den över själva data. Ytan har hoppat över cykeln där den lämnar en stark reflektion och hoppar till en svag topp; Sprid inte volymen utan att korrigera dessa områden manuellt.
Seismisk faciesklassificering
Faciesklassificering är uppgiften att dela upp volymen i regioner efter vågkaraktär. I det övervakade tillvägagångssättet tilldelar du etiketter från kända litologier i brunnarna och tränar modellen; I det oövervakade tillvägagångssättet samlar modellen i sig regioner med liknande egenskaper och du ger geologisk betydelse senare. AI ger stor hastighet här, men klasser är statistiska likheter, inte geologiska fakta. Regionen som modellen kallar "facies 3" får bara en betydelse som "kanalsand" med kunskapen om brunnen och deponeringsmiljön.
Observera: Du anger antalet oövervakade klustringsklasser; Olika antal klasser producerar helt olika kartor. Bli inte låst i ett enda kluster; Ändra antalet klasser och testa om resultatet förblir geologiskt stabilt.
Fallgrop i funktionsanalys: multivariatsamband
AI kan kombinera dussintals funktioner och bygga kraftfulla klassificerare. Men att försöka anpassa ett stort antal funktioner till ett litet antal brunnar resulterar i överanpassning - modellens oförmåga att memorera träningsexempel och generalisera till nya data: kartan är perfekt i brunnar och meningslös mellan brunnar. Regel: håll antalet funktioner proportionellt mot kontrolldata (brunn) och testa kartan i en oberoende brunn (blindtest).
tre minifodral
Fall 1 — Horisontspårning ner till timmar. Huvudreservoarhorisonten i en volym av 900 km² markerades manuellt på 9 dagar. AI-spåraren spred ytan från 6 såddpunkter på 3 timmar; Granskaren korrigerade manuellt 14-cyklers hoppa över området. Resultat: samma noggrannhet, en dag istället för dagar.
Fall 2 — Att missta ett fotavtryck för ett fel. En feldetektor markerade regelbundna nord-sydliga linjer. Kommentatorn märkte att dessa rader motsvarade exakt linjeavståndet för förvärvet: de var inte fel, utan förvärvsfotspår. De faktiska felen löpte vinkelrätt mot detta regelbundna mönster; När fotavtrycket eliminerades blev felkartan meningsfull.
Fall 3 — Overfitting facies karta. En klassificerare tränad med 22 funktioner och endast 5 brunnar gav 98% noggrannhet på brunnarna men klassificerade sandsten som lersten i den sjätte (blinda) brunnen. När antalet funktioner reducerades till 6 och tränades om, ökade blindbrunnens noggrannhet från 61 % till 88 %: kartan var också tillförlitlig över brunnar.
Fyra kopierbara mallar
1) Samråd om attributval:
Din roll: expert på seismisk tolkning. Mitt mål: [fluvial kanalsand / karbonatreservoar]. Vilka seismiska attribut (koherens, spektral nedbrytning, RMS-amplitud, lutning) och i vilken ordning ska jag använda för att markera detta mål? Vad representerar varje attribut, vilket missvisande mönster kan det producera? Förklara kort.
2) Automatisk horisontinspektion:
Jag har en automatiskt spårad horisont. Ge mig en checklista för att upptäcka cykelhopp: i vilka avsnitt, vilka symtom ska jag leta efter (amplitudfall, plötsligt djuphopp), hur bekräftar jag med brunnslipningen och i vilken ordning gör jag korrigeringen?
3) Facies klassnummertestning:
Jag gör oövervakade ansiktsgruppering. Jag provade antalet klasser 4,6 och 8, kartorna kom ut annorlunda. Vilka kriterier (klusterstorleksfördelning, brunnskompatibilitet, rumslig konsistens) ska jag titta på för att utvärdera vilket kluster som är mer geologiskt balanserat? Föreslå ett beslutsförfarande.
4) Övermonteringskontroll:
Jag utbildade en faciesklassificerare med [N] funktioner och [M] brunnar. Hur mäter jag risken för överanpassning? Hur ställer jag in ett blindbrunnstest, hur begränsar jag antalet attribut baserat på antalet brunnar? Ge handlingskraftiga steg.
Svag prompt / Stark prompt
Svag uppmaning:
Hitta reservoaren i denna volym och kartlägg den.
"Find" förväntar sig magi i ett steg; AI producerar en statistisk karta utan geologisk kontext, den kan inte verifieras.
Kraftfull uppmaning:
Din roll: reservoarfokuserad tolkningsspecialist. Sammanhang: fluvialsystem, målkanalsand, litologi känd i 3 brunnar. Uppgift:(1) föreslå en kombination av attribut som framhäver kanalgeometrin; (2) skriv stegen för att extrahera kandidatfacies genom oövervakad klustring; (3) Berätta för mig hur man testar varje kandidat med 3 brunnar och en blind fjärde brunn. Presentera resultatet på "kandidatspråk", inte "geologiskt faktaspråk".
Geologisk kontext, brunnskontroll och kravet på blindtestning gör produktionen försvarbar.
Tolkningsuppgifter och AI:s roll
Quest
AI-bidrag
Huvudrisken
verifiering
Horisontspårning
hög hastighet
Hoppa över cykeln
Brunnsslips, visuell sektionsinspektion
feldetektering
Generera kandidater
Misstag inte ditt fotavtryck för ett fel
Riktning/korsdatakontroll
Facies klassificering
klustring
meningslös klass
Brunn och avsättningsmiljö
Attributsammanslagning
stark distinktion
övermontering
blindbrunnstest
Vanliga misstag
- Automatisk spridning av horisonten utan visuell inspektion. Cykelhopp ger en slät men felaktig yta.
- Misstag varje linjärt mönster för ett fel. Förvärvet fotavtryck producerar regelbundna linjer, titta på dess riktning.
- Tillskriva faciesklassen direkt geologisk betydelse. Klass är statistisk; Förnuftigt med brunnen.
- Fler attribut, färre brunnar. Övermontering gör kartan till skräp mellan brunnar.
- Skippa blindtestet. Att bara mäta noggrannhet i träningsbrunnar är missvisande.
Sammanfattningsvis
AI i seismisk tolkning; Den reducerar horisont/felspårning till timmar, kluster snabbt ansikten och kombinerar attribut kraftfullt. Men varje hastighetsökning har en fälla: hoppa över cykeln, att missta ett fotavtryck för ett fel, meningslösa ansikten, överanpassad. AI producerar en statistisk översikt; Han är tolken som förvandlar utkastet till geologisk verklighet, gör mening av det med kunskapen om brunnen och avsättningsmiljön och testar det med ett blindtest. Den ultimata underjordiska modellen är alltid den som etableras och försvaras av människan.
Applikationsuppgift
Välj ett mål (kanalsand, bakpulver, etc.). Skapa en attributplan med mallen "Attributvalskonsultation". Använd sedan mallen "Facies class count testing" för oövervakad klustring och jämför minst två olika klassräkningar; Skriv ner vilken som är mer geologiskt stabil och vilket brunnstest du ska använda för att verifiera detta.
checklista
- [ ] Jag inspekterade visuellt den automatiska horisonten i nyckelsektioner och korrigerade cykelhoppet.
- [ ] Jag separerade felkandidaterna från fotavtrycket med riktnings- och korsningsdata.
- [ ] Jag tolkade facies-klasserna med brunnen och deponeringsmiljön.
- [ ] Jag begränsade antalet attribut baserat på antalet brunnar.
- [ ] Jag testade resultatet i en blind brunn.