收益：
- 能够利用人工智能对钻井日志、岩心描述和现场记录进行结构和岩性分类
- 能够将自由文本现场观察结果转换为标准地质术语和表格
- 能够通过岩心摄影、测井曲线和地层合理性验证人工智能生成的岩性解释
地质工程的原材料是数据，而这些数据大多是不规则诞生的。保存在现场的核心描述是由不同地质学家用不同文字编写的自由文本；钻探活动的日志以不同的格式、不同的单位保存，有时是手动保存，有时是数字保存；野外笔记本中的笔记充满了缩写和个人习惯。在本单元中，我们涵盖了人工智能最具体和最安全的利润领域：结构化分散的现场数据（将其转换为可查询的表格），对其进行标准化（将其引入通用术语）并进行初步的岩性分类（岩石类型分离）。但让我们从一开始就说：人工智能组织数据，工程师批准地质解释。
让我们首先澄清两个关键术语。钻孔测井记录是根据井沿深度测量的属性记录；这些测量可以是地质测量（岩性、风化）或地球物理测量（伽马射线、电阻率、密度）。岩心（英文core）是通过钻探从地下提取的圆柱形岩石样品；它是最有价值的证据，因为它可以直接观察地下情况。岩性是岩石（如砂岩、石灰岩、页岩）的类型和物理特征。
构建自由文本
一位现场地质学家写道：“0-3.2 m 棕色，松散，粘土砾石，分选不良；3.2-7.5 m 灰色，中度风化，细中粒砂岩，含有稀疏的碳酸盐胶结物；7.5-12 m 浅灰色，坚固，裂隙石灰岩，9 m 处有方解石脉。”这一句话实际上是一个表格的压缩版：深度范围、颜色、风化程度、岩性、粒度、次要性质。人工智能可以解决这个问题。
关键点在于：要求模型进行转换，而不是推理。换句话说，将文本中清楚写明的信息放入字段中；文中没有的内容请勿虚构。对于“风化程度”字段，如果地质学家写“中度风化”，则模型会写为“中等风化”；如果地质学家没有指定任何内容，则模型应写为“未指定”并且不适合某个值。这种区别是数据完整性的基础。
一步一步：将核心书籍变成电子表格
- 您首先定义架构。哪些列将是：深度_顶部、深度_底部、岩性、颜色、粒度、风化、不连续性、次要矿物、注释。您将架构强加到模型上，以使输出保持一致。
- 给个标准词典。给出允许的岩性术语（砂岩、粉砂岩、石灰岩、泥灰岩、粘土岩、砾岩...）和风化等级（新鲜、轻、中、高、全）。于是，“有点风化”之类的表达就成了标准。
- 加工小批量。不要一次提供整个笔记本，而是分批提供 20-30 行；你很早就发现了错误。
- 回到源头并验证。将结果表的随机行与原始文本进行比较；特别是深度限制和岩性术语。
岩性分类：从测井到解释
人工智能以两种方式支持岩性。首先是规范上述地质学家的定义。第二个也是更先进的是根据地球物理测井曲线进行岩性估计。例如，伽马射线测井（岩石的天然放射性）随着粘土含量的增加而增加；粘土层的价值较高，干净的砂岩和石灰岩的价值较低。通过添加电阻率和密度测井，该模型可以根据曲线模式建议岩性边界。
这里的限制很重要：日志是间接测量。高伽玛可以是粘土、富含长石的沙子或火山灰。因此，基于测井的岩性预测只是一种假设；它不是确定的，除非它与岩心或岩屑（钻孔过程中到达地表的岩屑）相关。当模型绘制边界时，询问该深度是否有核心；如果有，则核心获胜。
三个迷你案例：从数字来看
案例 1——标准化一致性。在一家矿业公司，6 位不同的地质学家对“风化花岗岩”使用了 11 种不同的表达方式（风化、蚀变、腐烂、粘土......）。人工智能辅助标准化将4800行数据库按5级分解尺度；此后，查询“中高度隔离区”需要几秒钟，而之前需要几天时间。随机抽取10%的标准化进行核心检查，一致性较高。
案例 2 — 日志关联初稿。岩性对比将通过两个相邻井（相距 150 m）的伽马测井进行。该模型提出了一种与四个常见级别相匹配的初步相关性，并将一个级别的厚度差异标记为“可能的断层或楔出”。当工程师查看标记区域的核心时，他发现了一个非常小的错误；该模型没有给出明确的答案，但它把注意力吸引到了正确的地方。
案例 3 — 捕获伪造的边界。在一口井中，该模型将“玄武岩”岩性分配给没有岩心数据的 40-45 m 区间。预计该地区不会出现玄武岩；录音中仅增加了伽玛值。地质合理性过滤器被激活，要求从该区间采集碎屑样本，结果发现液位为粘土粉砂岩。该模型误解了高伽马值。
弱提示/强提示
弱提示：
将这些核心定义转换成表格。[文本]
强力提示：
将以下自由文本核心描述翻译成给定的图表。请勿填写文本中未明确记载的任何字段；否则写“未指定”。模式（列）：深度_ust_m |深度_sub_m |岩性|颜色|粒度|隔离|不连续性|次要矿物 |注意允许的岩性术语：砂岩、粉砂岩、粘土岩、石灰岩、泥灰岩、砾岩、硅岩、花岗岩、玄武岩。如果某个术语不在列表中，则显示“?”在注释中标记并写下原因。 歧视等级：新鲜 |光 |中|高|高|全文：[核心说明]
强大的提示将模式、字典和“捏造禁令”强加在一起；输出既一致又可审计。
四个可复制模板
1) 野外笔记本标准化：
将以下现场注释翻译成标准术语。打开缩写（例如“stone”->“sandstone”），但不要更改内容。将不明确的短语标记为“[不明确]”，并在括号中保留原始短语。注：[字段注]
2）基于测井的岩性假说：
根据以下测井数据（深度、伽玛、电阻率、密度）建议可能的岩性边界。对于每个边界，写下：(a) 从哪个曲线变化推导出它，(b) 替代岩性的可能性，(c) 取芯验证的需要。不要将任何边界呈现为“确定”。数据：[日志表]
3）两井对比示意图：
比较 A 井和 B 井日志。分别列出匹配级别、匹配原因以及不匹配/可疑区域。将断层、侵蚀或相变标记为“必须验证”。数据：[两根测井曲线]
4）数据质量控制：
在下面的岩性表中查找逻辑错误：重叠的深度范围、间隙、不可能的对齐、单位不一致、未经授权的术语。以“行号|问题|建议”表的形式报告结果。不要更正数据，只需标记它。表：[岩性表]
身份验证证明层次结构
证据类型
直接性
可靠性
何时使用
核心（核心）
最直接的
最高
关键岩性边界
碎屑（切割）
中等
高
在没有核心的情况下
地球物理测井
间接
中等
连续轮廓，间隙填充
模型预测
导出的
低（单独）
假设、筛选
自由文字注释
变量
取决于地质学家
额外的背景信息
提示：在帮助人工智能寻找岩性边界时，要求“可能的边界和置信度”，而不是“精确的边界”。核心提供准确性，而不是模型。然后，输出就成为筛选工具，而不是对确定性的虚假声明。
注意：模型倾向于填充数据中没有的深度范围，以“不留间隙”。它会产生假岩性，尤其是在有岩心损失的区域。清楚地标记磁芯损耗区域并指示模型“如果没有数据则留空”。
常见错误
- 寻求推论而不是转化。期望模型“猜测”文本中没有的内容；这为虚假数据打开了大门。只是构建所写内容。
- 不提供标准词典。允许自由术语；结果是一幅毫无疑问的、不一致的画面。
- 接受对数估计的准确性。单独考虑间接测量（伽马、电阻率）作为岩性证据；将边框移动到签名上，而不用核心/面包屑将其绑定。
- 隐藏磁芯损耗区域。填补模型中的数据空白；空间必须仍然是空间。
- 批量处理，从不检查。不一次翻译数千行并进行随机样本检查。
综上所述
- 人工智能可以安全、高效地对分散的现场数据进行结构化、标准化和初步岩性分类。
- 要求从模型中进行变换，而不是推理；文中没有的不要补，打印“未指定”。
- 基于测井的岩性估计是间接的并且是一种假设；在连接到核心和面包屑样本之前无法确认。
- 您强加模式和标准字典；只有这样，输出才会一致、可控。
- 岩心钻探位于证据层次的顶部；从根本上来说，仅靠模型预测是不够的。
应用任务
从现场笔记本或您拥有的核心描述中提取 15-20 行（匿名机密现场信息）。首先定义您自己的模式和允许的岩性/风化字典，然后将其转换为具有强大提示的表格。将结果表的每一行与原始文本进行比较，并标记模型捏造或放错位置的任何区域；检查至少一个“未指定”字段是否正确留空。
清单
- [ ] 我可以将自由文本字段观察结果转换为由图表和标准词典构成的表格。
- [ ] 我应用“未指定”规则，即我希望对模型进行转换，并且不会使其适合不存在的东西。
- [ ] 据我所知，基于测井的岩性估计是一种间接假设，应该与岩心联系起来。
- [ ] 标记磁芯损耗和数据间隙区域并防止拟合。
- [ ] 我根据证据层次结构（核心 > 面包屑 > 日志 > 模型）验证输出。