การสำรวจทรัพยากร: ไฮโดรคาร์บอน แร่ ความร้อนใต้พิภพ และน้ำใต้ดิน

กำไร:

• ความสามารถในการเข้าใจแบบจำลองแนวความคิด + ลายเซ็นทางธรณีฟิสิกส์ + ตรรกะการยืนยันหลายวิธีในการสำรวจทรัพยากร และทดสอบย้อนกลับคะแนนความหวังของปัญญาประดิษฐ์ด้วยหลุมที่รู้จัก
• ความสามารถในการพิจารณา polysemy โดยไม่พิจารณาความผิดปกติของแอมพลิจูดของแผ่นดินไหว (จุดสว่าง) เป็นหลักฐานแหล่งที่มาเพียงอย่างเดียว แต่ยืนยันด้วย AVO และข้อมูลข้าม
• ความสามารถในการตรวจสอบความขัดแย้งของวิธีการในฐานะแหล่งข้อมูล และทิ้งบ่อสุดท้ายและการตัดสินใจลงทุนให้กับผู้ที่ยอมรับความเสี่ยง

วัตถุประสงค์ทางเศรษฐกิจที่เห็นได้ชัดเจนที่สุดของธรณีฟิสิกส์คือการสำรวจทรัพยากร: น้ำมันและก๊าซธรรมชาติ แร่โลหะและอุตสาหกรรม พลังงานความร้อนใต้พิภพ และน้ำใต้ดิน การค้นหานี้มีราคาแพงและเต็มไปด้วยการตัดสินใจที่มีความเสี่ยง บ่อน้ำหนึ่งบ่อมีมูลค่าหลายล้านดอลลาร์ การกำหนดเป้าหมายที่ไม่ถูกต้องคือการเสียทั้งเงินและเวลา การสำรวจทรัพยากรเป็นกระบวนการในการรวมวิธีการทางธรณีฟิสิกส์ต่างๆ เข้าด้วยกันเพื่อสร้างการตัดสินใจตามความน่าจะเป็นเกี่ยวกับการมีอยู่ ตำแหน่ง และขนาดของทรัพยากร ในหน่วยนี้ คุณจะได้เรียนรู้ว่าปัญญาประดิษฐ์ (AI) ขับเคลื่อนการรวบรวมข้อมูล การจัดลำดับความสำคัญเป้าหมาย และการประเมินความเสี่ยงอย่างไร แต่เราจะมาดูว่าทำไมการตัดสินใจด้านทรัพยากรจึงไม่เหลือเพียงคะแนน AI เดียว

ตรรกะทั่วไปของการค้นหา

ทรัพยากรแต่ละประเภทใช้ฟิสิกส์ที่แตกต่างกัน แต่ตรรกะในการค้นหาเป็นเรื่องปกติ: มีการสร้างแบบจำลองแนวคิด (สมมติฐานทางธรณีวิทยาว่าทรัพยากรเกิดขึ้นได้อย่างไรและที่ใดที่จะสะสม) ถูกสร้างขึ้น ค้นหาลายเซ็นทางธรณีฟิสิกส์ที่คาดการณ์โดยแบบจำลองนี้ และตรวจสอบความถูกต้องข้ามโดยวิธีการต่างๆ AI เป็นตัวเร่งความเร็วในทุกลิงก์ในห่วงโซ่นี้ — การประมวลผลข้อมูล, การดึงคุณสมบัติ, การรวมหลายวิธี, การจัดอันดับเป้าหมาย แต่ AI ไม่สามารถสร้างแบบจำลองแนวความคิดได้ มันต้องใช้เหตุผลทางธรณีวิทยา

วิธีการทั่วไปตามประเภทแหล่งที่มา:

• ไฮโดรคาร์บอน (น้ำมัน/ก๊าซ): วิธีการหลักแผ่นดินไหว 3 มิติ; ความผิดปกติของแอมพลิจูด (จุดสว่าง, AVO — การแปรผันของแอมพลิจูดพร้อมออฟเซ็ต) สำหรับกรอบแรงโน้มถ่วง/แอ่งแม่เหล็ก
• การทำเหมืองแร่: แม่เหล็ก แรงโน้มถ่วง แม่เหล็กไฟฟ้า (EM) โพลาไรเซชันเหนี่ยวนำ (IP — พฤติกรรมการชาร์จของแร่ธาตุแร่) การวัดด้วยรังสี
• ความร้อนใต้พิภพ: แมกนีโทเทลลูริก (MT — โซนร้อน/ซึมผ่านได้), แผ่นดินไหว, แรงโน้มถ่วง, การไล่ระดับอุณหภูมิ
• น้ำบาดาล: ERT, การหักเหของแผ่นดินไหว, EM, GPR; สำหรับขอบเขตชั้นน้ำแข็ง (ชั้นซึมผ่านของน้ำ)

การจัดลำดับความสำคัญเป้าหมายด้วย AI

การสำรวจเป็นหน้าที่ในการเลือกเป้าหมายที่มีแนวโน้มมากที่สุดสำหรับหลุมจำนวนจำกัดจากเป้าหมายผู้สมัครจำนวนมาก AI สามารถรวมชั้นข้อมูลที่แตกต่างกัน (คุณลักษณะแผ่นดินไหว + แรงโน้มถ่วง + แม่เหล็ก + ธรณีวิทยา) และสร้างคะแนนความคาดหวังสำหรับผู้สมัครแต่ละคน ช่วยให้สามารถจัดลำดับความสำคัญได้อย่างรวดเร็วบนพื้นที่กว้าง อย่างไรก็ตาม คะแนนนี้เป็นข้อเสนอแนะเกี่ยวกับความน่าจะเป็น ไม่ใช่การรับประกัน และการค้นพบในอดีตที่เรียนรู้จากแบบจำลองอาจใช้ไม่ได้กับสาขาใหม่ อ่านคะแนนร่วมกับแบบจำลองแนวคิดและการวิเคราะห์ความเสี่ยง

เคล็ดลับ: อย่าลืมทดสอบย้อนกลับคะแนนความหวังของ AI ด้วยการสำรวจและบ่อแห้งที่เป็นที่รู้จัก หากแบบจำลองไม่สามารถแยกแยะการสำรวจในอดีตได้ดี คะแนนของเป้าหมายใหม่ก็ไม่น่าเชื่อถือเช่นกัน โมเดลที่ดีควรให้คะแนนความสำเร็จที่ทราบสูงและความล้มเหลวที่ทราบต่ำ

ความไม่แน่นอนและความเสี่ยง: หัวใจสำคัญของการตัดสินใจสำรวจ

ในการค้นหาทรัพยากร การตัดสินใจจะต้องไม่ใช่ "ใช่/ไม่ใช่" มันเกี่ยวกับความน่าจะเป็นและความเสี่ยงเสมอ ในไฮโดรคาร์บอน นี่คือความน่าจะเป็นรวมของปัจจัยต่างๆ เช่น แหล่งที่มา/อ่างเก็บน้ำ/สิ่งปกคลุม/กับดัก/เวลา; มันคือความไม่แน่นอนของระดับระวางแร่ในเหมือง AI ช่วยคำนวณความน่าจะเป็นเหล่านี้และสร้างสถานการณ์ต่างๆ แต่ความเสี่ยงที่ยอมรับได้และการตัดสินใจลงทุนขั้นสุดท้ายขึ้นอยู่กับมนุษย์ นอกจากนี้ ยังมีการนำธรณีฟิสิกส์หลายรูปแบบมาใช้ด้วย: ความผิดปกติของแอมพลิจูดของแผ่นดินไหวอาจเป็นก๊าซ แต่ก็อาจเป็นการเปลี่ยนแปลงวิทยาหินหรือการประมวลผลสิ่งประดิษฐ์ (ถ่านหิน ทรายอัดแน่น ฯลฯ)

ข้อควรระวัง: "จุดสว่าง" (ความผิดปกติของแผ่นดินไหวแอมพลิจูดสูง) เพียงอย่างเดียวไม่ถือเป็นหลักฐานของไฮโดรคาร์บอน มีการเจาะบ่อแห้งหลายแห่งในบริเวณที่มีแสงสว่าง แม้ว่า AI จะระบุว่าเป็นเป้าหมาย ก็อย่ากำหนดความมั่นใจสูงโดยไม่ได้รับการยืนยันจากการวิเคราะห์ AVO ธรณีวิทยา และวิธีอื่น ๆ ถ้าเป็นไปได้

การบูรณาการหลายวิธี

กฎทองของการจัดหา: ไม่มีวิธีใดวิธีหนึ่งที่เพียงพอ ในเป้าหมายความร้อนใต้พิภพ ความต้านทาน MT ต่ำ (ชั้นดินเหนียว) + แรงโน้มถ่วง + แผ่นดินไหว + อาการของพื้นผิวจะได้รับการประเมินร่วมกัน AI มีประสิทธิภาพในการรวมเลเยอร์เหล่านี้เข้ากับแผนที่ความน่าจะเป็นทั่วไป แต่การบูรณาการโดยผู้เชี่ยวชาญโดยคำนึงถึงความละเอียด ความลึก และความไม่แน่นอนของแต่ละวิธีถือเป็นสิ่งสำคัญ ถ้าวิธีการขัดแย้งกัน ความขัดแย้งจะเป็นแหล่งข้อมูล—มีการสำรวจ ไม่ใช่ถูกซ่อนไว้

มินิเคสสามอัน

กรณีที่ 1 — แคมเปญบันทึกโดย backtest บริษัทขุดระบุเป้าหมาย 8 รายการตามแผนที่ความหวังของ AI นักธรณีฟิสิกส์ได้ทดสอบแบบจำลองย้อนหลังกับแร่ที่รู้จัก 5 ชนิดและสว่านแห้ง 12 เครื่องในพื้นที่ แบบจำลองให้คะแนนการฝึกซ้อมแบบแห้งสูงจำนวน 4 รายการ เมื่อคุณสมบัติและข้อมูลการฝึกได้รับการแก้ไข แผนที่มีความสอดคล้องกับการสำรวจจริงมากขึ้น และเป้าหมายสองรายการแรกก็เปลี่ยนไป

กรณีที่ 2 — กับดักจุดสว่าง ในปริมาตรแผ่นดินไหวครั้งหนึ่ง AI ทำเครื่องหมายความผิดปกติของแอมพลิจูดที่รุนแรงว่าเป็นเป้าหมายก๊าซ การวิเคราะห์ AVO แสดงให้เห็นว่าความผิดปกตินั้นสอดคล้องกับความเปรียบต่างของถ่านหินและทรายที่แน่นหนา ไม่ใช่ก๊าซ ถ้าเจาะบ่อน้ำก็จะแห้ง การตรวจสอบข้อเท็จจริงแบบหลายวิธีช่วยประหยัดเงินได้หลายล้านดอลลาร์

กรณีที่ 3 — เปลี่ยนความขัดแย้งให้เป็นข้อมูล แม้ว่า MT ในสนามความร้อนใต้พิภพจะระบุถึงโซนที่ร้อนซึมผ่านได้ โครงสร้างแผ่นดินไหวยังไม่ชัดเจน แทนที่จะซ่อนความขัดแย้ง ทีมงานได้สอบสวนมัน พิจารณาว่าความละเอียดของแผ่นดินไหวต่ำที่ความลึกนั้น MT มีความน่าเชื่อถือมากกว่า และปกป้องเป้าหมายด้วยระดับความไม่แน่นอน บ่อยืนยันโซนซึมผ่านได้

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) โมเดลเชิงแนวคิด + การทำแผนที่เมธอด:

บทบาทของคุณ: นักธรณีฟิสิกส์สำรวจ เป้าหมาย: [ไฮโดรคาร์บอน / คอปเปอร์พอร์ฟีรี / ความร้อนใต้พิภพ / ชั้นหินอุ้มน้ำ] ให้บทสรุปของแบบจำลองแนวความคิดสำหรับเป้าหมายนี้ (ว่ามันก่อตัวอย่างไร ที่ที่มันสะสม) และทำแผนที่ว่าวิธีการทางธรณีฟิสิกส์จะค้นหาลายเซ็นแบบใด เขียนความไม่แน่นอนของแต่ละวิธีด้วย

2) การทดสอบย้อนกลับของคะแนนความหวัง:

ฉันสร้างแผนที่ในอนาคตด้วย AI ฉันต้องการทดสอบย้อนหลังด้วยการค้นพบและบ่อน้ำแห้งที่เป็นที่รู้จักในภูมิภาคนี้ ฉันจะตั้งค่า backtest ได้อย่างไร ฉันจะประเมินตัวชี้วัดใด (ให้คะแนนการค้นพบสูง คะแนนต่ำ) และฉันจะแก้ไขอย่างไรหากแบบจำลองอ่อนแอ

3) การยืนยันความผิดปกติหลายวิธี:

ฉันมีผู้สมัครที่เป็นเป้าหมาย [จุดสว่าง / ความผิดปกติของสนามแม่เหล็ก / ความต้านทานต่ำ] ด้วยการวิเคราะห์เชิงสะท้อนแบบใด (AVO, IP, MT, ธรณีวิทยา, วิธีการอื่นๆ) ฉันจะยืนยันสิ่งนี้โดยไม่นับเป็นหลักฐานที่มาจากแหล่งที่มาเพียงอย่างเดียวหรือไม่ พร้อมทั้งระบุเหตุผลที่เป็นเท็จ (วิทยาหิน สิ่งประดิษฐ์) ที่อาจก่อให้เกิดความผิดปกติ

4) สรุปความเสี่ยงและการตัดสินใจ:

บทบาทของคุณ: ที่ปรึกษาความเสี่ยงในการค้นพบ ฉันมีสิ่งค้นพบทางธรณีฟิสิกส์สำหรับเป้าหมาย ให้ฉันร่างสรุปความน่าจะเป็น/ความเสี่ยง: หลักฐานสำหรับและต่อต้าน แหล่งที่มาของความไม่แน่นอน คำเตือนถึงความคลุมเครือ และข้อความว่า "ขึ้นอยู่กับบุคคลที่จะตัดสินใจได้ดี" อย่าพูดว่า "แห้ง/อย่าเจาะ" เด็ดขาด; จัดให้มีกรอบการตัดสินใจ

พรอมต์อ่อน / พรอมต์แรง

พรอมต์ที่อ่อนแอ:

ดูข้อมูลของฉันและบอกตำแหน่งบ่อที่ดีที่สุด

คาดหวังความแม่นยำเพียงจุดเดียว ซ่อนความหลากหลายและความเสี่ยง ทำให้ AI เป็นผู้ตัดสินใจ

พรอมต์อันทรงพลัง:

บทบาทของคุณ: นักธรณีฟิสิกส์สำรวจ บริบท: [แผ่นดินไหว + แรงโน้มถ่วง + แม่เหล็ก เป้าหมายไฮโดรคาร์บอน 2 หลุม] ภารกิจ: (1) รวมข้อมูลและจัดอันดับเป้าหมายของผู้สมัครด้วยคะแนนความหวัง (2) เขียนหลักฐานสำหรับและคัดค้านผู้สมัครแต่ละคน เหตุผลที่อาจทำให้เกิดความผิดปกติ (3) แนะนำให้ทำการทดสอบย้อนกลับด้วยหลุมที่มีคะแนนที่ทราบ (4) ระบุความสัมพันธ์หลายฝ่ายและความคลุมเครืออย่างชัดเจน ปล่อยให้การตัดสินใจเกี่ยวกับหลุมสุดท้ายเป็นหน้าที่ของมนุษย์ อย่าให้จุดที่ถูกต้องเพียงจุดเดียว

การทดสอบย้อนหลัง การวิเคราะห์ข้อขัดแย้ง และคำขอความไม่แน่นอนทำให้การตัดสินใจค้นหามีพื้นฐานที่มั่นคง

ประเภทและวิธีการของแหล่งที่มา

แหล่งที่มา

วิธีการหลัก

ลายเซ็นทั่วไป

การมีส่วนร่วมของ AI

ไฮโดรคาร์บอน

แผ่นดินไหว 3 มิติ, AVO

ความผิดปกติของแอมพลิจูด

คุณลักษณะการจัดลำดับความสำคัญ

ของฉัน

แม่เหล็ก, EM, IP

ตัวเครื่องเป็นสื่อกระแสไฟฟ้า/แม่เหล็ก

การรวมข้อมูล

ความร้อนใต้พิภพ

MT แผ่นดินไหว แรงโน้มถ่วง

โซนความต้านทานต่ำ

ความเร็วผกผัน

น้ำบาดาล

ERT, การหักเห, EM

ขอบเขตชั้นหินอุ้มน้ำ

การทำเครื่องหมายความผิดปกติ

ข้อผิดพลาดทั่วไป

• การใช้คะแนนความหวังโดยไม่มีการทดสอบย้อนหลัง แบบจำลองอาจให้คะแนนสูงกับบ่อแห้ง
• จุดสว่างที่เข้าใจผิดว่าเป็นไฮโดรคาร์บอนเพียงอย่างเดียว วิทยาหิน/สิ่งประดิษฐ์ก็ก่อให้เกิดความผิดปกติเช่นกัน
• พึ่งวิธีเดียว. การตัดสินใจแหล่งที่มาต้องมีการยืนยันหลายวิธี
• ซ่อนความขัดแย้ง. ความขัดแย้งด้านระเบียบวิธีเป็นแหล่งข้อมูลการวิจัย
• ปล่อยให้การตัดสินใจที่ดีเป็นหน้าที่ของ AI ความต้องการความเสี่ยงและการตัดสินใจลงทุนเป็นเรื่องของมนุษย์

โดยสรุป

การสำรวจทรัพยากรเป็นสาขาธรณีฟิสิกส์ที่มีความเสี่ยงสูงสุดและประหยัดที่สุด AI มีส่วนสนับสนุนอย่างมากในการรวบรวมข้อมูล การจัดลำดับความสำคัญเป้าหมาย และการคำนวณความเสี่ยง แต่แบบจำลองแนวความคิดเป็นผลผลิตจากจิตใจมนุษย์ และคะแนนความหวังแต่ละคะแนนเป็นข้อบ่งชี้ของความน่าจะเป็น การตรวจหลายจุด (เช่น กับดักจุดสว่าง) ข้อกำหนดการทดสอบย้อนหลัง และการยืนยันหลายวิธีเป็นสิ่งที่ขาดไม่ได้ การใช้งานที่ถูกต้อง; การทดสอบด้วยหลุมด้วยคะแนนที่ทราบ การตรวจสอบความผิดปกติข้าม การตรวจสอบความคลาดเคลื่อน และปล่อยให้มนุษย์ตัดสินใจเกี่ยวกับหลุมสุดท้าย — พร้อมกับความเสี่ยงที่ยอมรับได้ —

งานสมัคร

เลือกประเภททรัพยากร ด้วยเทมเพลต "แบบจำลองแนวความคิด + การแมปวิธีการ" ให้อนุมานได้ว่าเป้าหมายถูกประกอบขึ้นอย่างไร และวิธีการใดที่จะค้นหาลายเซ็นใด จากนั้น ให้นึกถึงความผิดปกติที่อาจเกิดขึ้นและระบุสาเหตุที่เป็นเท็จและวิธียืนยันที่อาจทำให้เกิดความผิดปกติ โดยใช้เทมเพลต "การยืนยันแบบหลายวิธีที่ผิดปกติ" สุดท้าย เตรียมโครงร่างรวมถึงหลักฐานข้อดี/ข้อเสียและความไม่แน่นอนด้วยเทมเพลต "สรุปความเสี่ยงและการตัดสินใจ"

รายการตรวจสอบ

• [ ] ฉันตั้งค่าแบบจำลองแนวคิดและการจับคู่วิธีการสำหรับเป้าหมาย
• [ ] ฉันทดสอบคะแนนความหวังย้อนหลังด้วยหลุมที่รู้จัก
• [ ] ฉันแสดงรายการและตรวจสอบความถูกต้องข้ามสาเหตุที่ผิดพลาดซึ่งอาจทำให้เกิดความผิดปกติได้
• [ ] ฉันไม่ได้ซ่อนความขัดแย้งของวิธีการและตรวจสอบพวกเขา
• [ ] ฉันปล่อยให้การตัดสินใจเรื่องหลุม/การลงทุนครั้งสุดท้ายเป็นความเสี่ยงของมนุษย์