Lợi nhuận:
- Khả năng phân biệt bỏ qua chu kỳ trong theo dõi đường chân trời tự động và dấu chân thu thập trong phát hiện lỗi từ cấu trúc thực và kiểm tra nó theo cách thủ công
- Hiểu rằng các lớp tướng địa chấn có tính thống kê và có thể tạo ra ý nghĩa địa chất với kiến thức về giếng và môi trường lắng đọng.
- Khả năng kiểm tra nguy cơ overfitting trong tính năng kết hợp với thử nghiệm giếng mù và giới hạn số lượng tính năng theo số lượng giếng
Quá trình xử lý kết thúc; Bạn có một khối lượng địa chấn di chuyển sạch sẽ. Bây giờ câu hỏi thực sự bắt đầu: hình ảnh này nói gì về lòng đất? Đâu là ranh giới của các tầng, các đứt gãy mở rộng theo hướng nào, khu vực nào là cát, khu vực nào là đất sét, nơi nào có thể có hồ chứa? Giải thích địa chấn là quá trình trích xuất mô hình cấu trúc và trầm tích (địa tầng) của lớp dưới bề mặt từ dữ liệu di chuyển. Trong phần này, chúng ta sẽ xem cách trí tuệ nhân tạo (AI) tạo ra "bản phác thảo đầu tiên nhanh chóng" về đường chân trời và theo dõi đứt gãy, phân loại tướng địa chấn và phân tích thuộc tính, nhưng ai là người xây dựng ý nghĩa địa chất và mô hình cuối cùng.
Xây dựng các khối giải thích
Hãy làm rõ các điều khoản. Đường chân trời là bề mặt phản xạ liên tục được quan sát trong mặt cắt địa chấn và thường tương ứng với ranh giới lớp địa chất. Đứt gãy là một mặt phẳng gián đoạn trong đó các lớp bị đứt gãy và dịch chuyển; Nó xuất hiện ở những nơi phản xạ bị gián đoạn hoặc dịch chuyển trong mặt cắt ngang. Tướng địa chấn là các vùng thể tích có đặc tính sóng tương tự (biên độ, tính liên tục, kết cấu) và nhìn chung phản ánh môi trường trầm tích tương tự. Thuộc tính địa chấn là các phép đo bắt nguồn từ các dấu vết hướng mắt đến các đặc điểm nhất định (gián đoạn, độ dốc, biên độ, tần số); ví dụ: thuộc tính kết hợp/liên tục làm nổi bật các lỗi và phân rã quang phổ làm nổi bật hình học kênh.
AI trong tầm nhìn và theo dõi lỗi
Theo dõi đường chân trời thủ công là khi trình thông dịch theo dõi từng phần phản chiếu và đánh dấu hàng nghìn điểm—chính xác nhưng chậm. Trình theo dõi tự động dựa trên AI có thể bắt đầu từ một vài điểm giống và trải rộng trên toàn bộ tập; Khi phát hiện lỗi, các mô hình dựa trên CNN (mạng học mẫu hình ảnh) có thể đánh dấu các điểm gián đoạn trong toàn bộ tập. Điều này cắt giảm những gì thường phải mất hàng tuần bằng tay thành hàng giờ.
Tuy nhiên, có hai cái bẫy. Đầu tiên, thiết bị theo dõi tự động có thể bỏ qua một đường chân trời theo chu kỳ—chuyển từ đỉnh sóng này sang đỉnh sóng lân cận; Kết quả là một bề mặt có vẻ nhẵn nhưng không chính xác về mặt địa chất. Thứ hai, bộ phát hiện lỗi có thể nhầm lẫn nhiễu tuyến tính do quá trình xử lý tạo ra (ví dụ: dấu chân thu thập) là một lỗi. Đó là lý do tại sao mọi bề mặt và mạng lưới lỗi do AI tạo ra đều được kiểm tra thủ công tại các giao lộ (điểm giao cắt đường chân trời lỗi) và các vị trí giếng.
Mẹo: Giám sát trực quan đường chân trời được theo dõi tự động ở một số phần chính bằng cách phủ nó lên chính dữ liệu. Bề mặt bị bỏ qua chu kỳ, nơi nó để lại sự phản xạ mạnh và nhảy lên đỉnh yếu; Không dàn trải âm lượng mà không chỉnh sửa các vùng này một cách thủ công.
Phân loại tướng địa chấn
Phân loại tướng là nhiệm vụ chia khối thành các vùng theo tính chất sóng. Trong phương pháp được giám sát, bạn chỉ định nhãn từ các thạch học đã biết trong giếng và huấn luyện mô hình; Trong cách tiếp cận không giám sát, chính mô hình sẽ tập hợp các vùng có đặc điểm tương tự và sau đó bạn sẽ đưa ra ý nghĩa địa chất. AI cung cấp tốc độ tuyệt vời ở đây, nhưng các lớp đều giống nhau về mặt thống kê chứ không phải thực tế địa chất. Vùng mà mô hình gọi là “tướng 3” chỉ mang ý nghĩa “cát kênh” khi hiểu biết về giếng và môi trường trầm tích.
Lưu ý: Bạn cung cấp số lượng lớp phân cụm không giám sát; Số lượng lớp khác nhau tạo ra các bản đồ hoàn toàn khác nhau. Đừng bị khóa vào một cụm duy nhất; Thay đổi số lượng lớp và kiểm tra xem kết quả có ổn định về mặt địa chất hay không.
Cạm bẫy trong phân tích đặc điểm: mối quan hệ đa biến
AI có thể kết hợp hàng tá tính năng và xây dựng các bộ phân loại mạnh mẽ. Nhưng việc cố gắng điều chỉnh một số lượng lớn các tính năng cho một số lượng nhỏ giếng sẽ dẫn đến việc trang bị quá mức - mô hình không có khả năng ghi nhớ các ví dụ huấn luyện và khái quát hóa dữ liệu mới: bản đồ hoàn hảo trong các giếng và vô nghĩa giữa các giếng. Quy tắc: giữ số lượng đối tượng tỷ lệ thuận với dữ liệu kiểm soát (giếng) và kiểm tra bản đồ trong một giếng độc lập (thử nghiệm mù).
ba trường hợp nhỏ
Trường hợp 1 - Theo dõi đường chân trời đến hàng giờ. Đường chân trời hồ chứa chính với dung tích 900 km2 được đánh dấu thủ công trong 9 ngày. Trình theo dõi AI trải rộng bề mặt từ 6 điểm giống trong 3 giờ; Người đánh giá đã sửa thủ công khu vực bỏ qua 14 chu kỳ. Kết quả: độ chính xác như nhau, một ngày thay vì ngày.
Trường hợp 2 - Nhầm dấu chân là lỗi. Một máy dò lỗi đánh dấu các đường bắc-nam đều đặn. Người bình luận nhận thấy rằng những đường này tương ứng chính xác với khoảng cách dòng thu thập dữ liệu: chúng không phải là lỗi mà là dấu vết thu thập dữ liệu. Các lỗi thực tế chạy vuông góc với mô hình thông thường này; Khi dấu vết được loại bỏ, bản đồ lỗi trở nên có ý nghĩa.
Trường hợp 3 - Bản đồ tướng mặt quá phù hợp. Một bộ phân loại được huấn luyện với 22 đặc điểm và chỉ có 5 giếng cho độ chính xác 98% trên các giếng nhưng lại phân loại đá sa thạch là đá sét ở giếng thứ sáu (mù). Khi số lượng tính năng giảm xuống còn 6 và được đào tạo lại, độ chính xác của giếng mù tăng từ 61% lên 88%: bản đồ cũng đáng tin cậy trên các giếng.
Bốn mẫu có thể sao chép
1) Tư vấn lựa chọn thuộc tính:
Vai trò của bạn: chuyên gia giải thích địa chấn. Mục tiêu của tôi: [hồ chứa cát/bể chứa cacbonat dòng chảy]. Những thuộc tính địa chấn nào (sự kết hợp, phân rã quang phổ, biên độ RMS, độ dốc) và tôi nên sử dụng theo thứ tự nào để làm nổi bật mục tiêu này? Mỗi thuộc tính đại diện cho điều gì, nó có thể tạo ra mô hình sai lệch nào? Giải thích ngắn gọn.
2) Kiểm tra đường chân trời tự động:
Tôi có một đường chân trời được theo dõi tự động. Hãy cung cấp cho tôi danh sách kiểm tra để phát hiện việc bỏ qua chu trình: ở những phần nào, tôi nên tìm những triệu chứng nào (giảm biên độ, nhảy sâu đột ngột), làm cách nào để xác nhận bằng dây buộc giếng và tôi thực hiện chỉnh sửa theo thứ tự nào?
3) Kiểm tra số lớp tướng:
Tôi đang thực hiện phân cụm các khuôn mặt không được giám sát. Mình thử số lớp 4,6 và 8 thì bản đồ ra khác hẳn. Tôi nên xem xét những tiêu chí nào (phân bố kích thước cụm, khả năng tương thích tốt, tính nhất quán về không gian) để đánh giá cụm nào cân bằng hơn về mặt địa chất? Đề xuất thủ tục ra quyết định.
4) Kiểm soát trang bị quá mức:
Tôi đã huấn luyện một bộ phân loại tướng với các đặc điểm [N] và giếng [M]. Làm cách nào để đo lường rủi ro của việc trang bị quá mức? Làm cách nào để thiết lập thử nghiệm giếng mù, làm cách nào để giới hạn số lượng thuộc tính dựa trên số lượng giếng? Đưa ra các bước hành động.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Tìm hồ chứa trong tập này và lập bản đồ nó.
“Tìm” mong đợi phép thuật một bước; AI tạo ra một bản đồ thống kê không có bối cảnh địa chất nên không thể xác minh được.
Lời nhắc mạnh mẽ:
Vai trò của bạn: chuyên gia giải thích tập trung vào hồ chứa. Bối cảnh: hệ thống sông ngòi, cát kênh mục tiêu, thạch học được biết đến trong 3 giếng. Nhiệm vụ:(1) đề xuất kết hợp các thuộc tính sẽ làm nổi bật hình dạng kênh; (2) viết các bước trích xuất các tướng ứng viên bằng cách phân cụm không giám sát; (3) Hãy cho tôi biết cách kiểm tra từng ứng viên bằng 3 giếng và giếng mù thứ 4. Trình bày kết quả bằng ngôn ngữ "ứng cử viên", không phải ngôn ngữ "thực tế địa chất".
Bối cảnh địa chất, khả năng kiểm soát giếng và nhu cầu thử nghiệm mù khiến cho kết quả đầu ra có thể được bảo vệ.
Nhiệm vụ phiên dịch và vai trò của AI
Nhiệm vụ
Đóng góp của AI
Rủi ro chính
xác minh
Theo dõi đường chân trời
tốc độ cao
Bỏ qua chu kỳ
Giếng buộc, kiểm tra phần trực quan
phát hiện lỗi
Tạo ứng viên
Đừng nhầm dấu chân của bạn là một lỗi
Kiểm soát dữ liệu hướng/chéo
Phân loại tướng
phân cụm
lớp học vô nghĩa
Môi trường giếng và lắng đọng
Hợp nhất thuộc tính
sự khác biệt mạnh mẽ
trang bị quá mức
kiểm tra giếng mù
Những lỗi thường gặp
- Tự động trải rộng đường chân trời mà không cần kiểm tra trực quan. Bỏ qua chu kỳ tạo ra bề mặt nhẵn nhưng không chính xác.
- Nhầm mọi mô hình tuyến tính là một lỗi. Dấu chân mua lại tạo ra các đường đều đặn, hãy nhìn vào hướng của nó.
- Gán ý nghĩa địa chất trực tiếp cho lớp tướng. Lớp học mang tính thống kê; Có ý nghĩa với cái giếng.
- Nhiều thuộc tính hơn, ít giếng hơn. Trang bị quá mức biến bản đồ thành rác giữa các giếng.
- Bỏ qua bài kiểm tra mù. Việc đo lường độ chính xác chỉ trong các giếng huấn luyện là sai lầm.
Tóm lại
AI trong giải thích địa chấn; Nó giảm thời gian theo dõi đường chân trời/lỗi xuống hàng giờ, nhanh chóng phân cụm các tướng và kết hợp các thuộc tính một cách mạnh mẽ. Nhưng mỗi lần tăng tốc độ đều có một cái bẫy: bỏ qua chu kỳ, nhầm dấu chân là lỗi, bộ mặt vô nghĩa, trang bị quá mức. AI tạo ra một phác thảo thống kê; Anh ta là người phiên dịch, người biến bản thảo thành hiện thực địa chất, hiểu nó bằng kiến thức về giếng và môi trường trầm tích, đồng thời kiểm tra nó bằng một bài kiểm tra mù. Mô hình ngầm tối thượng luôn là mô hình được con người thiết lập và bảo vệ.
Nhiệm vụ ứng dụng
Chọn mục tiêu (cát kênh, baking soda, v.v.). Tạo sơ đồ thuộc tính với mẫu "Tư vấn lựa chọn thuộc tính". Sau đó, sử dụng mẫu “Kiểm tra số lượng lớp tướng” để phân cụm không giám sát và so sánh ít nhất hai số lượng lớp khác nhau; Viết ra cái nào ổn định hơn về mặt địa chất và thử nghiệm giếng nào bạn sẽ sử dụng để xác minh điều này.
danh sách kiểm tra
- [ ] Tôi đã kiểm tra trực quan đường chân trời tự động ở các phần chính và sửa lỗi bỏ qua chu kỳ.
- [ ] Tôi đã tách các ứng cử viên lỗi khỏi dấu chân bằng dữ liệu hướng và chéo.
- [ ] Tôi đã diễn giải các lớp tướng với môi trường giếng và lắng đọng.
- [ ] Tôi giới hạn số lượng thuộc tính dựa trên số lượng giếng.
- [ ] Tôi đã thử nghiệm kết quả ở một cái giếng mù.