Fältdata, borrloggar och litologisk klassificering — Artificiell intelligens i geologisk teknik

Vinster:

Förmåga att strukturera och litologisk klassificering av borrloggar, kärnbeskrivningar och fältanteckningar med AI
Förmåga att konvertera fritextfältobservationer till standard geologisk terminologi och tabeller
Förmåga att verifiera AI-genererade litologiska tolkningar med kärnfotografering, logkurvor och stratigrafisk rimlighet

Råmaterialet för geologisk ingenjörskonst är data, och de flesta av dessa data föds oregelbundet. Kärnbeskrivningar som förvaras på en plats är fria texter skrivna med olika ord av olika geologer; Loggarna för en borrkampanj fördes i olika format, i olika enheter, ibland manuellt och ibland digitalt; Anteckningarna i fältanteckningsboken är fulla av förkortningar och personliga vanor. I den här enheten täcker vi det mest konkreta och säkraste vinstområdet för artificiell intelligens: strukturering av spridda fältdata (översätter dem till frågebara tabeller), standardiserar den (för den till vanlig terminologi) och gör preliminär litologisk klassificering (bergartseparation). Men låt oss säga det från början: artificiell intelligens organiserar data, ingenjören godkänner den geologiska tolkningen.

Låt oss först klargöra två nyckeltermer. En borrhålslogg är ett register över egenskaper mätt mot djup längs en brunn; dessa mätningar kan vara geologiska (litologi, väderlek) eller geofysiska (gammastrålning, resistivitet, densitet). Kärna (engelsk kärna) är ett cylindriskt bergprov som utvinns från underjorden genom borrning; Det är det mest värdefulla beviset eftersom det tillåter direkt observation av underjorden. Litologi är bergartens typ och fysiska karaktär (såsom sandsten, kalksten, skiffer).

Strukturera fri text

En fältgeolog skriver en beskrivning: "0-3,2 m brunt, löst, lerigt grus, dåligt sorterat; 3,2-7,5 m grått, måttligt vittrad, fin-medelkornig sandsten med gles karbonatcement; 7,5-12 m ljusgrå, fast, sprucken kalksten, 9 m kalksten." Denna enda mening är faktiskt en komprimerad version av en tabell: djupområde, färg, grad av väderpåverkan, litologi, kornstorlek, sekundära egenskaper. Artificiell intelligens dekomprimerar detta.

Den kritiska punkten är denna: fråga modellen om transformation, inte slutledning. Med andra ord, placera informationen tydligt skriven i texten i fälten; Hitta inte på det som inte står i texten. För fältet "vittringsgrad", om geologen skrev "medelvittrad", skriver modellen detta; Om geologen inte specificerat några, ska modellen skriva "ospecificerat" och inte passa ett värde. Denna distinktion är grunden för dataintegritet.

Steg för steg: förvandla en kärnbok till ett kalkylblad

Du definierar schemat först. Vilka kolumner blir: depth_top, depth_bottom, litologi, färg, grain_size, weathering, discontinuity, secondary_mineral, not. Du lägger schemat på modellen så att resultatet blir konsekvent.
Ge standardordboken. Ge de tillåtna termerna för litologi (sandsten, siltsten, kalksten, märgel, lersten, konglomerat...) och skalan för vittring (färsk, lätt, medium, hög, full). Därmed blir uttryck som "lite vittrade" standard.
Bearbeta liten sats. Ge hela anteckningsboken inte på en gång, utan i satser om 20-30 rader; Du upptäcker misstag tidigt.
Gå tillbaka till källan och verifiera. Jämför slumpmässiga rader i den resulterande tabellen med den råa texten; speciellt djupgränser och litologitermer.

Litologisk klassificering: Från loggar till tolkning

AI stöder litologi på två sätt. Den första är att standardisera definitionen av geolog enligt ovan. Den andra och mer avancerade är litologiuppskattning från geofysiska logkurvor. Till exempel ökar gammastrålningsloggen (bergartens naturliga radioaktivitet) med lerhalten; Lerhalter ger höga värden, rena sandstenar och kalkstenar ger låga värden. Genom att lägga till resistivitets- och densitetsloggar kan modellen föreslå litologigränser från kurvmönster.

Gränsen här är viktig: stockar är indirekta mätningar. Hög gamma kan vara lera, fältspatrik sand eller vulkanaska. Därför är log-baserad litologiprediktion en hypotes; Den är inte definitiv om den inte är ansluten till kärna eller skär (stenspån som kommer till ytan under borrning). När modellen drar en gräns, fråga om det finns någon kärna på det djupet; Om det finns, vinner kärnan.

Tre minifodral: Efter siffrorna

Fall 1 — Standardiseringskonsekvens. I ett gruvbolag använde 6 olika geologer 11 olika uttryck för "vittrad granit" (vittrad, förändrad, ruttet, lerig...). Artificiell intelligens-assisterad standardisering placerade databasen med 4 800 rader på en 5-nivås nedbrytningsskala; Efteråt tog frågan "medelhögt segregerade zoner" sekunder, medan det tidigare tog dagar. Slumpmässigt 10 % av standardiseringen kontrollerades av kärnan, överensstämmelsen var hög.

Fall 2 — Loggkorrelation preliminärt utkast. Litologisk korrelation skulle göras från gammastockar i två angränsande brunnar (150 m från varandra). Modellen föreslog en preliminär korrelation som matchade fyra vanliga nivåer och flaggade en tjockleksskillnad på en nivå som "möjligt fel eller wedge-out." När ingenjören tittade på kärnan i den markerade zonen hittade han ett riktigt litet fel; Modellen gav inte det definitiva svaret, men den drog uppmärksamheten till rätt ställe.

Fall 3 — Fånga den tillverkade bården. I en brunn tilldelade modellen en "basalt" litologi till 40-45 m intervallet för vilket det inte fanns några kärndata. Basalt förväntades inte i regionen; det var bara gammaökning i inspelningen. Det geologiska plausibilitetsfiltret aktiverades, ett klasprov begärdes från det intervallet och nivån visade sig vara lerig siltsten. Modellen hade misstolkat det höga gamma.

Svag prompt / Stark prompt

Svag uppmaning:

Konvertera dessa kärndefinitioner till en tabell.[text]

Kraftfull uppmaning:

Den kraftfulla uppmaningen påtvingar schemat, ordboken och "tillverkningsförbudet" tillsammans; Resultatet är både konsekvent och granskningsbart.

Fyra kopieringsbara mallar

1) Standardisering av fältanteckningsbok:

Översätt följande fältanteckning till standardterminologi. Öppna förkortningar (t.ex. "sten"->"sandsten"), men Ändra INTE innehållet. Markera tvetydiga fraser som "[ambiguous]" och behåll den ursprungliga frasen inom parentes. Obs: [fältanteckning]

2) Loggbaserad litologihypotes:

Föreslå möjliga litologiska gränser från följande loggdata (djup, gamma, resistivitet, densitet). För varje gräns, skriv: (a) från vilken kurvförändring du härleder den, (b) möjligheten till en alternativ litologi, (c) behovet av kärnförändring. Presentera inte någon gräns som "viss". Data: [loggtabell]

3) Korrelationsskiss med två brunnar:

Jämför Well-A- och Well-B-loggar. Lista matchande nivåer, matchande orsak och felmatchade/misstänkta zoner separat. Märkfel, erosion eller ansiktsförändringar som "måste verifieras". Data: [två brunnsloggar]

4) Datakvalitetskontroll:

Leta efter logiska fel i litologitabellen nedan: överlappande djupintervall, luckor, omöjliga justeringar, enhetsinkonsekvenser, otillåtna termer. Rapportera resultat som en "radnummer | problem | förslag"-tabell. KORRIGERA INTE data, markera bara det. Tabell: [litologitabell]

Hierarki för autentiseringsbevis

Typ av bevis

direkthet

tillförlitlighet

När ska användas

Kärna (kärna)

mest direkta

högst

Kritiska litologiska gränser

Smula (skärning)

medium

hög

I avsaknad av kärna

geofysisk logg

indirekt

medium

Genomgående profil, spaltfyllning

Modellförutsägelse

härledd

Låg (ensam)

Hypotes, screening

Fritextanteckning

Variabel

Beror på geolog

Ytterligare sammanhang

Tips: När du hjälper artificiell intelligens att hitta litologiska gränser, fråga efter "möjlig gräns och konfidensnivå", inte "exakt gräns". Kärnan ger noggrannhet, inte modellen. Resultatet blir då ett screeningverktyg, inte ett falskt anspråk på säkerhet.

Varning: Modellen tenderar att fylla i djupområden som inte finns i data för att "lämna inga luckor". Det kan producera falsk litologi, särskilt i zoner med kärnförlust. Markera tydligt kärnförlustzoner och instruera modellen att "lämna tomt om inga data".

Vanliga misstag

Söker slutledning snarare än transformation. Förväntar sig att modellen ska "gissa" vad som inte står i texten; Detta öppnar dörren till falska data. Strukturera bara det som står.
Tillhandahåller inte en standardordbok. Tillåter fri terminologi; Resultatet är en obestridlig, inkonsekvent bild.
Accepterar logguppskattningen som korrekt. Att betrakta indirekta mätningar (gamma, resistivitet) enbart som bevis på litologi; Att flytta gränserna till signaturen utan att binda dem med kärna/smulor.
För att dölja kärnförlustzoner. Fylla dataluckor i modellen; utrymme måste förbli utrymme.
Bearbetar i omgångar och kontrollerar aldrig. Att inte översätta tusentals rader på en gång och göra stickprovskontroller.

Sammanfattningsvis

Artificiell intelligens ger säker och hög effektivitet vid strukturering, standardisering och preliminär litologisk klassificering av spridda fältdata.
Be om transformation från modellen, inte slutledning; Hitta inte på det som inte står i texten, skriv ut "ospecificerat".
Den log-baserade litologiuppskattningen är indirekt och en hypotes; Det kan inte bekräftas förrän det är anslutet till kärn- och smulprover.
Du påtvingar schemat och standardordboken; Först då blir resultatet konsekvent och kontrollerbart.
Kärnborrning är överst i bevishierarkin; Längst ner är enbart modellförutsägelsen otillräcklig.

Applikationsuppgift

Ta 15-20 rader från en fältanteckningsbok eller kärnbeskrivning du har (anonymisera konfidentiell fältinformation). Definiera först ditt eget schema och tillåten litologi/väderordbok, översätt den sedan till en tabell med den kraftfulla prompten. Jämför varje rad i den resulterande tabellen med den råa texten och flagga eventuella områden som modellen har fuskat eller tappat bort; Kontrollera om minst ett "ospecificerat" fält lämnas tomt korrekt.

checklista

[ ] Jag kan konvertera fritextfältobservationer till en tabell strukturerad med diagram och standardordbok.
[ ] Jag tillämpar den "ospecificerade" regeln att jag vill ha en transformation från modellen och att jag inte får den att passa något som inte finns.
[ ] Jag förstår att den logbaserade litologiuppskattningen är en indirekt hypotes och bör kopplas till kärnan.
[ ] Jag markerar kärnförlust- och datagapzoner och förhindrar anpassning.
[ ] Jag validerar resultatet enligt bevishierarkin (kärna > crumb > log > modell).