Lợi nhuận:
- Khả năng hiểu mô hình khái niệm + chữ ký địa vật lý + logic xác nhận đa phương pháp của việc thăm dò tài nguyên và kiểm tra lại điểm hy vọng của trí tuệ nhân tạo với các giếng đã biết
- Khả năng xem xét đa nghĩa bằng cách không coi dị thường biên độ địa chấn (điểm sáng) chỉ là bằng chứng nguồn mà xác nhận nó bằng AVO và dữ liệu chéo
- Khả năng điều tra những mâu thuẫn về phương pháp như một nguồn thông tin và để lại quyết định cuối cùng cũng như đầu tư cho những người có khẩu vị rủi ro của họ
Mục đích kinh tế rõ ràng nhất của địa vật lý là thăm dò tài nguyên: dầu và khí tự nhiên, khoáng sản kim loại và công nghiệp, năng lượng địa nhiệt và nước ngầm. Việc tìm kiếm này rất tốn kém và đầy rẫy những quyết định rủi ro - một giếng trị giá hàng triệu đô la, một mục tiêu sai là lãng phí cả tiền bạc và thời gian. Thăm dò tài nguyên là quá trình kết hợp các phương pháp địa vật lý khác nhau để đưa ra quyết định dựa trên xác suất về sự tồn tại, vị trí và quy mô của tài nguyên. Trong phần này, bạn sẽ tìm hiểu cách trí tuệ nhân tạo (AI) hỗ trợ việc tổng hợp dữ liệu, ưu tiên mục tiêu và đánh giá rủi ro; nhưng chúng ta sẽ hiểu tại sao các quyết định về tài nguyên không bao giờ chỉ phụ thuộc vào một điểm AI duy nhất.
Logic chung của tìm kiếm
Mỗi loại tài nguyên sử dụng vật lý khác nhau, nhưng logic tìm kiếm là chung: một mô hình khái niệm (giả thuyết địa chất về cách tài nguyên được hình thành và nơi nó sẽ tích lũy) được thiết lập, dấu hiệu địa vật lý được dự đoán bởi mô hình này được tìm kiếm và được xác thực chéo bằng nhiều phương pháp. AI là công cụ tăng tốc ở mọi liên kết trong chuỗi này - xử lý dữ liệu, trích xuất tính năng, kết hợp đa phương pháp, xếp hạng mục tiêu. Nhưng AI không thể xây dựng mô hình khái niệm; nó đòi hỏi lý luận địa chất.
Các phương pháp điển hình theo loại nguồn:
- Hydrocarbon (dầu/khí): Phương pháp chính địa chấn 3D; dị thường biên độ (điểm sáng, AVO - sự thay đổi biên độ với độ lệch) đối với khung lưu vực trọng lực/từ tính.
- Khai thác: Từ tính, trọng lực, điện từ (EM), phân cực cảm ứng (IP - hành vi sạc của khoáng vật quặng), đo phóng xạ.
- Địa nhiệt: Magnetoteluric (MT - vùng nóng/thấm điện trở), địa chấn, trọng lực, gradient nhiệt độ.
- Nước ngầm: ERT, khúc xạ địa chấn, EM, GPR; cho ranh giới tầng chứa nước (lớp thấm nước).
Ưu tiên mục tiêu với AI
Thăm dò là nhiệm vụ lựa chọn các mục tiêu hứa hẹn nhất cho một số lượng giếng hạn chế từ một số lượng lớn các mục tiêu ứng cử viên. AI có thể kết hợp các lớp dữ liệu khác nhau (thuộc tính địa chấn + trọng lực + từ tính + địa chất) và tạo ra điểm triển vọng cho từng ứng viên; Điều này cho phép ưu tiên nhanh chóng trên một khu vực rộng. Tuy nhiên, điểm số này chỉ là gợi ý về xác suất chứ không phải là sự đảm bảo; và những khám phá trong quá khứ mà mô hình đã học được có thể không áp dụng được cho lĩnh vực mới. Điểm số được đọc cùng với mô hình khái niệm và phân tích rủi ro.
Mẹo: Hãy nhớ kiểm tra lại điểm hy vọng của AI với các giếng thăm dò và giếng khô đã biết. Nếu mô hình không thể phân biệt rõ những khám phá trong quá khứ thì điểm số của nó đối với các mục tiêu mới cũng không đáng tin cậy. Một mô hình tốt phải đạt được những thành công đã biết ở mức cao và những thất bại đã biết ở mức thấp.
Sự không chắc chắn và rủi ro: trọng tâm của quyết định thăm dò
Trong tìm kiếm tài nguyên, quyết định không bao giờ là “có/không”; Nó luôn luôn là về xác suất và rủi ro. Trong hydrocarbon, đây là xác suất kết hợp của các yếu tố như nguồn/bể chứa/vỏ/bẫy/thời điểm; Đó là sự không chắc chắn về cấp trọng tải quặng trong mỏ. AI giúp tính toán các xác suất này và tạo ra các kịch bản, nhưng mức độ chấp nhận rủi ro và quyết định đầu tư cuối cùng lại thuộc về con người. Tính đa nghĩa của địa vật lý cũng được áp dụng ở đây: dị thường biên độ địa chấn có thể là khí, nhưng nó cũng có thể là sự thay đổi thạch học hoặc tạo tác xử lý (than, cát nén, v.v.).
Thận trọng: Chỉ một "điểm sáng" (dị thường địa chấn biên độ cao) không phải là bằng chứng của hydrocarbon; Nhiều giếng khô được khoan thành điểm sáng. Ngay cả khi AI gắn cờ nó là mục tiêu, đừng gán độ tin cậy cao nếu không có xác nhận bằng phân tích AVO, địa chất và phương pháp khác nếu có thể.
Tích hợp đa phương pháp
Nguyên tắc vàng về tìm nguồn cung ứng: không có phương pháp nào là đủ. Trong mục tiêu địa nhiệt, điện trở suất thấp MT (lớp phủ đất sét) + trọng lực + địa chấn + triệu chứng bề mặt được đánh giá cùng nhau. AI có khả năng kết hợp các lớp này thành một bản đồ xác suất chung một cách hiệu quả; nhưng sự tích hợp của chuyên gia có tính đến độ phân giải, độ sâu và độ không chắc chắn của từng phương pháp là điều cần thiết. Nếu các phương pháp xung đột với nhau thì sự mâu thuẫn đó là một nguồn thông tin - nó được khám phá chứ không phải bị che giấu.
ba trường hợp nhỏ
Trường hợp 1 - Chiến dịch được lưu bằng backtest. Một công ty khai thác đã liệt kê 8 mục tiêu theo bản đồ hy vọng AI của mình. Nhà địa vật lý đã kiểm tra lại mô hình trên 5 loại quặng đã biết và 12 mũi khoan khô trong khu vực; Mô hình đã cho điểm cao ở 4 bài tập khô. Sau khi các thuộc tính và dữ liệu huấn luyện được sửa, bản đồ trở nên phù hợp hơn nhiều với hoạt động khám phá thực tế và hai mục tiêu đầu tiên đã thay đổi.
Trường hợp 2 - Bẫy điểm sáng. Trong một khối lượng địa chấn, AI đã đánh dấu sự bất thường về biên độ mạnh như một mục tiêu khí. Phân tích AVO cho thấy sự bất thường này phù hợp với sự tương phản chặt chẽ giữa cát-than chứ không phải khí. Nếu giếng được khoan, nó sẽ khô cạn; Việc kiểm tra thực tế bằng nhiều phương pháp đã tiết kiệm được hàng triệu đô la.
Trường hợp 3 - Biến mâu thuẫn thành thông tin. Trong khi MT ở trường địa nhiệt chỉ ra vùng thấm nóng thì cấu trúc địa chấn không rõ ràng. Thay vì che giấu sự mâu thuẫn, nhóm đã điều tra nó; xác định rằng độ phân giải địa chấn thấp ở độ sâu đó, MT đáng tin cậy hơn và bảo vệ mục tiêu với mức độ không chắc chắn. Giếng đã xác nhận vùng thấm.
Bốn mẫu có thể sao chép
1) Mô hình khái niệm + ánh xạ phương pháp:
Vai trò của bạn: nhà địa vật lý thăm dò. Mục tiêu: [hydrocarbon / copperporphyry / địa nhiệt / tầng chứa nước]. Hãy cung cấp cho tôi bản tóm tắt về mô hình khái niệm cho mục tiêu này (cách nó hình thành, nơi nó tích tụ) và lập bản đồ các phương pháp địa vật lý sẽ tìm kiếm dấu hiệu nào. Đồng thời ghi lại độ không đảm bảo của từng phương pháp.
2) Kiểm tra lại điểm hy vọng:
Tôi đã tạo ra một bản đồ triển vọng bằng AI. Tôi muốn kiểm chứng lại điều này bằng những khám phá đã biết và các giếng khô trong khu vực. Làm cách nào để thiết lập backtest, tôi đánh giá số liệu nào (cho điểm khám phá cao, điểm thấp) và tôi phải khắc phục điều gì nếu mô hình yếu?
3) Xác nhận đa phương thức bất thường:
Tôi có một ứng cử viên mục tiêu [điểm sáng/dị thường từ tính/điện trở suất thấp]. Với phương pháp phân tích tiếng vang nào (AVO, IP, MT, địa chất, phương pháp khác) tôi có thể xác nhận điều này mà không chỉ coi đó là bằng chứng nguồn? Đồng thời liệt kê các lý do SAI (thạch học, nhân tạo) có thể tạo ra dị thường.
4) Tóm tắt rủi ro và quyết định:
Vai trò của bạn: cố vấn rủi ro khám phá. Tôi có phát hiện địa vật lý cho mục tiêu. Yêu cầu tôi soạn thảo một bản tóm tắt xác suất/rủi ro: bằng chứng ủng hộ và chống lại, nguồn gốc của sự không chắc chắn, cảnh báo về sự mơ hồ và lưu ý rằng "việc quyết định đúng đắn là tùy thuộc vào mỗi người." Đừng nói chắc chắn "khô/không khoan"; Cung cấp khuôn khổ cho quyết định.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Nhìn vào dữ liệu của tôi và cho tôi biết vị trí giếng tốt nhất.
Độ chính xác một điểm mong đợi; che giấu sự đa nghĩa và rủi ro, khiến AI trở thành người ra quyết định.
Lời nhắc mạnh mẽ:
Vai trò của bạn: nhà địa vật lý thăm dò. Bối cảnh: [địa chấn + trọng lực + từ tính, mục tiêu hydrocarbon, 2 giếng]. Nhiệm vụ: (1) tổng hợp dữ liệu và xếp hạng các mục tiêu ứng viên theo điểm hy vọng; (2) viết ra bằng chứng ủng hộ và chống lại từng ứng cử viên, những lý do có thể dẫn đến sự bất thường; (3) khuyến nghị kiểm tra lại các giếng đã biết điểm số; (4) nêu rõ tính đa nghĩa và mơ hồ. Để lại quyết định cuối cùng cho con người; Đừng đưa ra một điểm chính xác duy nhất.
Kiểm tra ngược, phân tích mâu thuẫn và yêu cầu không chắc chắn đưa ra quyết định tìm kiếm trên cơ sở vững chắc.
Các loại nguồn và phương pháp
Nguồn
Phương pháp chính
Chữ ký điển hình
Đóng góp của AI
hidrocacbon
Địa chấn 3D, AVO
Biên độ bất thường
Thuộc tính, mức độ ưu tiên
của tôi
Từ tính, EM, IP
Thân dẫn điện/từ tính
hợp nhất dữ liệu
địa nhiệt
MT, địa chấn, trọng lực
Vùng điện trở suất thấp
Tốc độ đảo ngược
nước ngầm
ERT, khúc xạ, EM
ranh giới tầng chứa nước
Đánh dấu bất thường
Những lỗi thường gặp
- Sử dụng điểm hy vọng mà không cần kiểm tra lại. Mô hình này có thể cho điểm cao đối với giếng khô.
- Nhầm điểm sáng là hydrocarbon đơn thuần. Thạch học/nhân tạo cũng tạo ra dị thường.
- Dựa vào một phương pháp duy nhất. Quyết định nguồn yêu cầu xác nhận đa phương pháp.
- Che giấu sự mâu thuẫn Mâu thuẫn về phương pháp là nguồn thông tin, hãy nghiên cứu nó.
- Để lại quyết định đúng đắn cho AI. Khẩu vị rủi ro và quyết định đầu tư là của con người.
Tóm lại
Thăm dò tài nguyên là lĩnh vực có rủi ro cao nhất và kinh tế nhất của địa vật lý; AI đóng góp mạnh mẽ vào việc tổng hợp dữ liệu, ưu tiên mục tiêu và tính toán rủi ro. Nhưng mô hình khái niệm là sản phẩm của trí tuệ con người và mỗi điểm hy vọng là một gợi ý về xác suất. Polysemy (chẳng hạn như bẫy điểm sáng), yêu cầu backtest và xác nhận đa phương pháp là không thể thiếu. Sử dụng đúng; thử nghiệm với các giếng có điểm số đã biết, xác thực chéo sự bất thường, điều tra sự khác biệt và để lại quyết định cuối cùng về giếng - cùng với khẩu vị rủi ro - cho con người.
Nhiệm vụ ứng dụng
Chọn một loại tài nguyên. Với mẫu "mô hình khái niệm + ánh xạ phương thức", hãy suy ra cách cấu thành mục tiêu và phương thức nào sẽ tìm kiếm chữ ký nào. Sau đó, nghĩ đến một điểm bất thường ứng viên và liệt kê các nguyên nhân sai cũng như các cách xác nhận có thể tạo ra nó bằng cách sử dụng mẫu "Xác nhận đa phương thức bất thường". Cuối cùng, hãy chuẩn bị một bản phác thảo bao gồm bằng chứng ủng hộ/nhược điểm và những điều không chắc chắn bằng mẫu “Tóm tắt rủi ro và quyết định”.
danh sách kiểm tra
- [ ] Tôi thiết lập mô hình khái niệm và ánh xạ phương pháp cho mục tiêu.
- [ ] Tôi đã kiểm tra lại điểm hy vọng với các giếng đã biết.
- [ ] Tôi đã liệt kê và xác nhận chéo các nguyên nhân sai có thể tạo ra sự bất thường.
- [ ] Tôi không che giấu những mâu thuẫn trong phương pháp và điều tra chúng.
- [ ] Tôi để lại quyết định đầu tư/giếng cuối cùng cho rủi ro con người.