Mga nadagdag:
- Kakayahang makilala ang cycle skip sa awtomatikong pagsubaybay sa abot-tanaw at ang acquisition footprint sa pag-detect ng fault mula sa totoong istraktura at manu-manong suriin ito
- Unawain na ang mga klase ng seismic facies ay istatistika at nakakagawa ng geological na kahulugan gamit ang kaalaman sa mga balon at depositional na kapaligiran.
- Kakayahang subukan ang panganib ng overfitting sa kumbinasyon ng tampok sa pagsubok ng blind well at limitahan ang bilang ng mga tampok ayon sa bilang ng mga balon
Tapos na ang pagproseso; Mayroon kang malinis at lumilipat na seismic volume. Ngayon ang totoong tanong ay nagsisimula: ano ang sinasabi ng imaheng ito tungkol sa ilalim ng lupa? Nasaan ang mga hangganan ng layer, kung saan ang direksyon ay umaabot ang mga fault, aling lugar ang buhangin, kung saan ay luad, kung saan maaaring mayroong isang reservoir? Ang seismic interpretation ay ang proseso ng pagkuha ng structural at sedimentary (stratigraphic) na modelo ng subsurface mula sa migrate na data. Sa unit na ito, makikita natin kung paano gumagawa ang artificial intelligence (AI) ng "quick first draft" sa horizon at fault tracking, seismic facies classification at attribute analysis, ngunit sino ang bumubuo ng geological na kahulugan at huling modelo.
Mga bloke ng pagbuo ng interpretasyon
Linawin natin ang mga tuntunin. Ang Horizon ay ang tuluy-tuloy na mapanimdim na ibabaw na naobserbahan sa seismic section at sa pangkalahatan ay tumutugma sa isang hangganan ng geological layer. Ang fault ay isang plane of discontinuity kung saan ang mga layer ay nasira at nagbabago; Lumilitaw ito sa mga lugar kung saan ang mga pagmuni-muni ay naaantala o inilipat sa cross-section. Ang mga seismic facies ay mga rehiyon ng volume na may katulad na katangian ng alon (amplitude, continuity, texture) at sa pangkalahatan ay sumasalamin sa isang katulad na sedimentary na kapaligiran. Ang mga katangian ng seismic ay mga sukat na nagmula sa mga bakas na nagdidirekta sa mata sa ilang partikular na katangian (discontinuity, slope, amplitude, frequency); halimbawa, ang katangian ng coherence/continuity ay nagha-highlight ng mga fault at ang spectral decomposition ay nagha-highlight ng mga geometry ng channel.
AI sa abot-tanaw at pagsubaybay sa fault
Ang manu-manong pagsubaybay sa abot-tanaw ay kapag sinusubaybayan ng interpreter ang isang seksyon ng pagmuni-muni ayon sa seksyon at minarkahan ang libu-libong puntos—tumpak ngunit mabagal. Ang mga awtomatikong tracker na nakabatay sa AI ay maaaring magsimula sa ilang seed point at kumalat sa buong volume; Sa pagtukoy ng pagkakamali, maaaring markahan ng mga modelong nakabase sa CNN (mga image pattern learning network) ang mga discontinuity sa buong volume. Binabawasan nito ang dating tumatagal ng mga linggo sa pamamagitan ng kamay sa mga oras.
Gayunpaman, mayroong dalawang bitag. Una, ang awtomatikong tracker ay maaaring mag-ikot ng isang abot-tanaw—paglipat mula sa isang wave crest patungo sa isang kalapit na crest; Ang resulta ay isang tila makinis ngunit hindi tumpak na ibabaw ng geologically. Pangalawa, ang fault detector ay maaaring magkamali sa processing-generated linear noise (hal., acquisition footprint) bilang isang fault. Kaya naman ang bawat surface at fault network na nabuo ng AI ay manu-manong sinusuri sa mga intersection (fault-horizon intersection) at mga lokasyon ng balon.
Tip: Biswal na subaybayan ang isang awtomatikong sinusubaybayang abot-tanaw sa ilang mahahalagang seksyon sa pamamagitan ng pag-overlay nito sa mismong data. Ang ibabaw ay nilaktawan ang cycle kung saan nag-iiwan ito ng malakas na pagmuni-muni at tumalon sa mahinang tuktok; Huwag ikalat ang volume nang hindi manu-manong itinatama ang mga lugar na ito.
Pag-uuri ng mga seismic facies
Ang pag-uuri ng facies ay ang gawain ng paghahati ng volume sa mga rehiyon ayon sa katangian ng alon. Sa pinangangasiwaang diskarte, magtatalaga ka ng mga label mula sa mga kilalang lithologies sa mga balon at sanayin ang modelo; Sa unsupervised approach, ang modelo mismo ay nagkumpol ng mga rehiyon na may katulad na katangian at magbibigay ka ng geological na kahulugan sa ibang pagkakataon. Ang AI ay nagbibigay ng mahusay na bilis dito, ngunit ang mga klase ay istatistikal na pagkakatulad, hindi geological na katotohanan. Ang rehiyon na tinatawag ng modelo na "facies 3" ay nakakakuha lamang ng kahulugan tulad ng "channel sand" na may kaalaman sa balon at sa depositional na kapaligiran.
Pansin: Ibinigay mo ang bilang ng mga hindi pinangangasiwaang clustering na klase; Ang iba't ibang bilang ng mga klase ay gumagawa ng ganap na magkakaibang mga mapa. Huwag ma-lock sa isang kumpol; Baguhin ang bilang ng mga klase at subukan kung ang resulta ay nananatiling geologically stable.
Pitfall in feature analysis: multivariate na relasyon
Maaaring pagsamahin ng AI ang dose-dosenang feature at bumuo ng mga mahuhusay na classifier. Ngunit ang pagsisikap na magkasya sa isang malaking bilang ng mga tampok sa isang maliit na bilang ng mga balon ay nagreresulta sa labis na pagkakabit - ang kawalan ng kakayahan ng modelo na kabisaduhin ang mga halimbawa ng pagsasanay at gawing pangkalahatan sa bagong data: ang mapa ay perpekto sa mga balon at walang kahulugan sa pagitan ng mga balon. Panuntunan: panatilihing proporsyonal ang bilang ng mga feature sa control data (well) at subukan ang mapa sa isang independent well (blind test).
tatlong mini case
Case 1 — Horizon tracking down sa mga oras. Ang pangunahing reservoir horizon sa dami ng 900 km² ay minarkahan nang manu-mano sa loob ng 9 na araw. Ang AI tracker ay kumalat sa ibabaw mula sa 6 na seed point sa loob ng 3 oras; Manu-manong itinama ng reviewer ang 14 cycle skip area. Resulta: parehong katumpakan, isang araw sa halip na mga araw.
Kaso 2 — Napagkakamalang isang pagkakamali ang bakas ng paa. Minarkahan ng fault detector ang mga regular na linya sa hilaga-timog. Napansin ng komentarista na ang mga linyang ito ay eksaktong tumutugma sa acquisition line spacing: hindi sila mga pagkakamali, ngunit mga footprint ng pagkuha. Ang aktwal na mga fault ay tumakbo patayo sa regular na pattern na ito; Nang maalis ang footprint, naging makabuluhan ang fault map.
Case 3 — Overfitting facies map. Isang classifier na sinanay na may 22 feature at 5 lang na balon ang nagbigay ng 98% na katumpakan sa mga balon ngunit inuri ang sandstone bilang claystone sa ikaanim (bulag) na balon. Kapag nabawasan ang bilang ng mga feature sa 6 at na-retrain, tumaas ang katumpakan ng blind well mula 61% hanggang 88%: maaasahan din ang mapa sa mga balon.
Apat na maaaring kopyahin na mga template
1) Konsultasyon sa pagpili ng katangian:
Ang iyong tungkulin: eksperto sa seismic interpretation. Ang aking target: [fluvial channel sand / carbonate reservoir]. Aling mga katangian ng seismic (coherence, spectral decomposition, RMS amplitude, slope) at sa anong pagkakasunud-sunod ang dapat kong gamitin upang i-highlight ang layuning ito? Ano ang kinakatawan ng bawat katangian, anong nakaliligaw na pattern ang maaaring gawin nito? Ipaliwanag nang maikli.
2) Awtomatikong inspeksyon sa abot-tanaw:
Mayroon akong awtomatikong sinusubaybayan na abot-tanaw. Bigyan mo ako ng checklist para sa pag-detect ng cycle skip: sa aling mga seksyon, aling mga sintomas ang dapat kong hanapin (pagbaba ng amplitude, biglaang pagtalon sa lalim), paano ko makokumpirma gamit ang well tie, at sa anong pagkakasunud-sunod ko gagawin ang pagwawasto?
3) Pagsusuri sa numero ng klase ng facies:
Gumagawa ako ng unsupervised facies clustering. Sinubukan ko ang bilang ng mga klase 4,6 at 8, ang mga mapa ay lumabas. Anong mga pamantayan (pamamahagi ng laki ng kumpol, pagkakatugma ng mahusay, pagkakapare-pareho ng spatial) ang dapat kong tingnan upang suriin kung aling kumpol ang mas balanse sa geologically? Magmungkahi ng pamamaraan ng pagpapasya.
4) Overfitting na kontrol:
Nagsanay ako ng facies classifier na may [N] feature at [M] na balon. Paano ko susukatin ang panganib ng overfitting? Paano ako magse-set up ng isang blind well test, paano ko lilimitahan ang bilang ng mga katangian batay sa bilang ng mga balon? Magbigay ng mga hakbang na naaaksyunan.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Hanapin ang reservoir sa volume na ito at imapa ito.
Inaasahan ng "Hanapin" ang isang hakbang na magic; Gumagawa ang AI ng istatistikal na mapa nang walang kontekstong geological, hindi ito ma-verify.
Napakahusay na prompt:
Ang iyong tungkulin: espesyalista sa interpretasyon na nakatuon sa reservoir. Konteksto: fluvialsystem, target channel sand, lithology na kilala sa 3 balon. Gawain:(1) magmungkahi ng kumbinasyon ng mga katangian na magha-highlight sa geometry ng channel; (2) isulat ang mga hakbang sa pagkuha ng mga facies ng kandidato sa pamamagitan ng unsupervised clustering; (3) Sabihin sa akin kung paano subukan ang bawat kandidato na may 3 balon at isang bulag na ika-4 na balon. Ipakita ang resulta sa wikang "kandidato", hindi wikang "geological fact".
Ang kontekstong heolohikal, mahusay na kontrol, at ang pangangailangan para sa bulag na pagsubok ay ginagawang mapagtatanggol ang output.
Mga gawain sa interpretasyon at ang papel ng AI
Paghanap
kontribusyon ng AI
Pangunahing panganib
pagpapatunay
Pagsubaybay sa abot-tanaw
mataas na bilis
Paglaktaw ng ikot
Well tie, visual section inspection
pagtuklas ng kasalanan
Pagbuo ng mga kandidato
Huwag mong ipagkamali ang iyong bakas ng paa
Direksyon/cross data control
Pag-uuri ng facies
clustering
walang kabuluhang klase
Well at depositional na kapaligiran
Pagsasama ng katangian
malakas na pagkakaiba
overfitting
pagsubok ng bulag na balon
Mga karaniwang pagkakamali
- Awtomatikong pagkalat ng abot-tanaw nang walang visual na inspeksyon. Ang cycle skip ay gumagawa ng makinis ngunit hindi tumpak na ibabaw.
- Napagkakamalang isang fault ang bawat linear pattern. Ang acquisition footprint ay gumagawa ng mga regular na linya, tingnan ang direksyon nito.
- Pag-uugnay ng direktang heolohikal na kahulugan sa klase ng facies. Ang klase ay istatistika; Magkaroon ng kahulugan sa balon.
- Mas maraming katangian, mas kaunting mga balon. Ang overfitting ay ginagawang basura ang mapa sa pagitan ng mga balon.
- Laktawan ang blind test. Ang pagsukat ng katumpakan lamang sa mga balon ng pagsasanay ay nakaliligaw.
Sa buod
AI sa seismic interpretation; Binabawasan nito ang horizon/fault tracking sa mga oras, mabilis na pinagsama-sama ang mga facies, at mahusay na pinagsasama ang mga attribute. Ngunit ang bawat pagtaas ng bilis ay may bitag: paglaktaw sa pag-ikot, napagkakamalang isang pagkakamali ang bakas ng paa, mga walang kabuluhang facies, labis na pagkakabit. Ang AI ay gumagawa ng istatistikal na balangkas; Siya ang interpreter na ginagawang geological reality ang draft, naiintindihan ito sa kaalaman ng balon at ang depositional na kapaligiran, at sinusubok ito sa pamamagitan ng blind test. Ang pinakahuling modelo sa ilalim ng lupa ay palaging ang itinatag at ipinagtatanggol ng tao.
Gawain ng aplikasyon
Pumili ng target (channel sand, baking soda, atbp.). Gumawa ng attribute plan gamit ang template na "Pagkonsulta sa pagpili ng attribute." Pagkatapos ay gamitin ang template na "Pagsubok sa bilang ng klase ng facies" para sa hindi pinangangasiwaang clustering at paghambingin ang hindi bababa sa dalawang magkaibang bilang ng klase; Isulat kung alin ang mas geologically stable at aling well test ang gagamitin mo para i-verify ito.
checklist
- [ ] Biswal kong siniyasat ang awtomatikong abot-tanaw sa mga pangunahing seksyon at itinama ang cycle skip.
- [ ] Inihiwalay ko ang mga fault candidate mula sa footprint na may direksyon at cross-over data.
- [ ] Binigyang-kahulugan ko ang mga klase ng facies sa balon at depositional na kapaligiran.
- [ ] Nilimitahan ko ang bilang ng mga katangian batay sa bilang ng mga balon.
- [ ] Sinubukan ko ang resulta sa isang bulag na balon.