Giriş: Otomatik Well Log Interpretation'a doğru geçiş

On yıllardır, petrol jeoscientists, farklı basin veya belirsiz günlük yanıtlarla çalışma sırasında sınırlı sonuçlar üretmiştir. Yapay zekanın (AI) iyi log analizinin tanıtımı temel olarak bu manzarayı değiştirdi. Makine öğrenme ve derin öğrenme algoritmaları şimdi otomatik, yenidenroducize edilebilir ve genellikle farklı baskanlar veya küçük sıvılar üzerinde çalışırken daha doğru sınıflandırmak için uygun sonuçlar üretebilir.Bu dönüşüm sadece büyük hız hakkında bilgilendirici değildir; bu geniş çaplı veri kümesinden kilidini açmak için çok boyutlu verilerle ilgilidir.

Bu genişleyen makalede, AI algoritmalarının lithology ve sıvı tanımlamaya nasıl uygulandığını inceleyeceğiz, bu teknikleri en iyi performans gösteren özel algoritmaları, bu modelleri, ortak zorlukları ve mevcut araştırmaların yönünü inceleyeceğiz.Eğer bir geolog, petrofizikçi, ya da enerji araştırmasında çalışan bir veri bilim insanı, bu teknikleri anlamak verimli subsurface karakterizasyonu için önemlidir.

Automate Lithology ve Akışkanlar Neden Tanımlıyor?

Manual log yorumu genellikle keşif ve üretim iş akışlarında bir şişenck. Tek iyi bir şekilde yüzlerce metre günlük verileri birden fazla araçtan oluşturabilir: kumar ışın, direnç, nötron porosity, ince yoğunluk, sonic ve daha fazla işitsel, analiz ve baskı testleri ile ilişkilendirir, zaman alıcıları tercih eder.

AI-güdümlü otomasyon, bu ağrı puanlarını dakikalar içinde tüm iyi bölümlerde işlem yoluyla ele alır ve sondaj kararları için tutarlı sınıflandırma kriterlerini korur ve geleneksel çapraz-plot yöntemlerine görünmez olmayan ilişkileri tespit eder. Sonuç, hacim hesaplamalarında daha hızlı bir şekilde azaltılır ve sondaj kararları için daha objektif bir temeldir.

Core AI Algorithms for Well Log Classification

Doğru algoritmayı seçmek mevcut eğitim verilerinin doğasına bağlıdır, jeolojik ayarın karmaşıklığı ve istenen çıktı kararı. Aşağıda, modern derin öğrenme mimarilerine klasik makine öğreniminden temel kategoriler tartışıyoruz.

Süpervize Öğrenme Yöntemleri

Süpervizit algoritmaları, her günlük aralığının bir litoloji ve / veya sıvı sınıf (ön analiz veya yorumlanan seçicilerden) atanmış bir eğitim veri kümesini gerektirir. Model bu sınıflara günlük yanıtlar haritayı öğrenir ve sonra denetimsiz bölümlere genelleştirir.

  • [FONT:0)Depres Vector Machines (SVM): ), SVMs, yüksek boyutlu bir alanda sınıfları ayıran en iyi hiperplane bulmaktadır. Doğru çekirdek seçildiğinde, orta veri setleriyle iyi çalışır ve aşırı derecede sağlamdır.
  • [FONT:0]Random Forest (RF): ), Bir temel olarak RF kullanan ve genelleştirmeyi artıran karar ağaçlarının bir araya gelmesi ve minimum hiperparametre ayarını yapabilmesi için en çok katkıda bulunan önemli sıralamaları sağlayabilir.
  • [FONT:0)Gradient Boosting (XGBoost, LightGBM):[Dönetici yöntemleri, önceki ağaçlardan doğru hataları sağlayan ağaçlar inşa eder.Özellikle değişkenler arasındaki ilişki karmaşık olduğunda, özellikle de gürültülü loglarda aşırılık sağlamak için dikkatli bir şekilde düzenlileştirmeye ihtiyaç duyarlar.
  • [FONT:0)Multi-Layer Perceptron (MLP): [Dönetici: 1 veya daha gizli bir tabaka ile temel yapay sinir ağı. MLPs, doğrusal olmayan karar sınırlarını modelleyemez ve jeoloji doğrusal olmayan eğilimleri gösterir (örneğin, kaya türlerini karıştırmak için bir adım taşı olarak hizmet eder).

Denetimsiz Öğrenme ve Kombinasyon

Temelleştirilmiş etiketler mevcut olduğunda veya yeni bir basin keşfederken, denetimsiz yöntemler günlük uzayda doğal kümeleri tanımlamaya yardımcı olur.

  • [FONT:0]K-Means Clustering: Veri kümesini Euclidean mesafeye dayanan K kümelerine devretmiştir. Sık sık sık benzer elektrofazilere normalize girişler uygulanır.
  • [FONT:0]Hierarchical Clustering:[Dönetici:[Dönetici:0)Hierarchical Clustering:[Döneticileri bir araya getiren bir kümes, elektrofazilerin derinlikle nasıl ilişkili olduğunu görselleştirmek için kullanışlıdır.
  • [FONT:0) Kendi kendine özgü haritalar (SOM): ), projeleri yüksek boyutlu bir log verileri 2D bir ağ üzerinde yüksek ölçekli bir algoritmaya dayandırır. SOMs en yakın düğümlere - benzer loglar haritasını yapar - onları hafifhofacies haritalama ve kalite kontrolü için popüler hale getirir.

Kontrolsüz yöntemler genellikle veri odaklı bir doğrulama aracı olarak kullanılır: denetimli bir model tüm doğal kümelerin dışında kalan bir sınıf öngörürse, yanlış sınıflama veya tanınmamış litholoji gösterebilir.

Convolutional ve Recurrent Networks ile Derin Öğrenme

Well logs, bu uzaysal ve zaman bağımlılıkları yakalamak için doğal olarak eşdeğer bir veridir. Derin öğrenme mimarisi bu uzayları ve zaman bağımlılıkları yakalamak için tasarlanmıştır.

  • [FONT:0)Convolutional Neural Networks (CNNs): [D CNNs süreci yerel desenleri çıkarmak için log eğrilerinin dinamik pencerelerini kaydırabilir – örneğin, bir kademeli düşüşle takip edilen keskin bir direnç artışı, su-petrol temasına sahip bir fin-upward kumu otomatik olarak jeolojik olarak anlamlı özelliklerle eşdeğer olan filtrelere eşdeğer olabilir.
  • [FONT=0)Recurrent Neural Networks (RNNs) ve Long Short-Term Memory (LSTM):[Dönetici: 1) Bu ağ, uzun vadeli bağımlılıkları gösteremeyen gizli bir devlet korur.In sıvı tanımlama, LSTM, bir derinlikte düşük bir dirençli bölgeye sahip olabilir.
  • [FONT:0]Hybrid CNN-LSTM: Yerel özellik çıkarma için yeniden kullanılabilirlik için yeniden kullanılabilirlik ile yeniden kullanılabilirlik için temelsel bağlam verilemeleri, özellikle karmaşık kriminal rezervler sınıflandırması ile sonuçlanabilir.

Data Hazırlık ve Özel Mühendislik

AI modelleri sadece eğitdikleri veriler kadar iyidir. Raw iyi loglar gürültü, omuz etkileri, delik büyüklüğü varyasyonları ve çevresel düzeltmeler içerir. sağlam bir preiş boru hattı kritiktir.

Kalite Kontrol ve Normalleştirme

İlk olarak, loglar, normalleştirilmiş ve anormal artışlar için kontrol edilmelidir (örneğin, delik yıkamaları nedeniyle). Kötü veri noktaları, g/cc'de bir eş kullanarak bayraklanır.

Özel Yapı

Çiğ log değerlerinin ötesinde, elde edilen özellikler genellikle sınıflandırma doğruluğunu geliştirir:

  • Shale (V))Maksifere lineer veya lineer olmayan transformlerden (Düzücüler)
  • Neutrondensity ayrılık göstergeleri ( ⁇ [-FLT:0)[[Dönetici:0)[[Dönetici:2)N[Dönetici: 3 )
  • Direnç oranları (örneğin, sığ-derin, derin bir aracı) işgal veya kızarmış bölgelere hassastır.
  • Jeolojik doku özellikleri: ortalamaları, gradients veya lithology Çevrimalliği yakalamak için dalga katları çalıştırın.

Özel seçim yöntemleri (örneğin, karşılıklı bilgi, recursive ortadan kaldırılması) boyutsalliği azaltmaya ve modellemeyi geliştirmeye yardımcı olur, özellikle eğitim setinde iyilerin sayısı küçük olduğunda.

İş Akışı Bütünleme: Veriden Karar Vermeye Yönelik

· · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · · ·

  1. [FONT:0]Data Collection ve Labeling:[Dönetici: Gather iyi loglar, temel açıklamalar, yan duvar temel verileri ve formasyon testi sonuçları. Jeologlar el-toplama eğitim aralıkları, tam temel-to-log kalibrasyonu ile ideal olarak.Bu adım, modelin tavanını belirler.
  2. [FONT:0)Öyleleme ve Özel Ekstraksiyon: [Dönetici: [DüzgT:1] Temiz loglar, doğru çevresel etkiler, elde edilen eğrileri hesaplayın. Split verileri eğitim, geçerlilik ve test setleri - katlamalar arasında iyi bir bölünme sağlama.
  3. [[Dönetici:0) Model Seçimi ve Eğitim:[Dönetici:[Dönetici:0) Belirli bir işlem için birkaç algoritma ile karşılaştırıldığında, SVM, CNN) bir oturumda yapılan bir onay için çapraz değerleme kullanın. genelleme hatası tahmin etmek için çapraz değer kullanın.
  4. [FONT=0)Evaluation and Uncertainty Quantification:[[Dönetici:0) Tamamlama, hassas, hatırla ve F1-tip per class. For olasılıksal modeller (e.g., Softmax sinir ağları), tahmin güveninin manuel inceleme için düşük olduğunu inceler.
  5. [FONT=0)Sesme Platformuna Giriş Yaptırma:[Dönetici:0) Modeli bir seçim dosyası olarak, ONNX formatında veya doğrudan petrofizik yazılımına eklentiler yoluyla çalıştırın.
  6. [FONT:0)İzmirlik:[Dönemli Iteration:[Dönetici:0)Yeni iyiler, sönüllü veri olarak, eksik litolojileri veya sıvı türleri dahil etmek için modeli yeniden eğitin.

Birçok kuruluş şimdi AI'yı “öncüm” bir araç olarak kullanıyor - model ilk girişli bir petrofizikçinin daha sonra yorumladığı ve ayarlamaları, rutin picks üzerinde harcanan süreyi dramatik bir şekilde azaltmaktadır.

Alan Uygulamalarında Gözlemlenen Faydaları

Endüstri vaka çalışmaları, AI tabanlı sınıflandırmayı aldıktan sonra ölçülebilir gelişmeler rapor eder:

  • [FONT:0) Zaman Azaltımı:[Dönetici:[Dönetici:0)) Zaman zaman, günlerce birkaç dakika içinde iyi damlalar için yorumlama zamanı, daha önce pratik olmayan çok iyi çalışmalar sağlar.
  • [FONT:0]Consistency:[Dönetici:[Döneticileri) Aynı model, tüm alan verimlerini üniformalı litoloji seçicilemeleri için uygulanan ve tercüman edilebilirliği ortadan kaldırmak.
  • [FONT:0) Subtle Özelliklerinin Deteksiyonu: Deep CNN modelleri ince yatakları (günlük karar limitlerini belirlemek için) insan tercümanlarının genellikle ısıtılmış kum-spi dizilerinde, özellikle de bir CNN Körfezi'nden bir örnek olarak düşük yağlı yağda kumlar tespit edebilir.
  • [FONT=0]Fluid Contact Mapping:[Dönetici ve baskı verileri kullanarak, denetimli modeller petrol su ve gaz yakıt bağlantılarında %90'dan fazla doğruluk elde etti, hatta geleneksel yöntemler belirsiz sinyaller veriyor.

Meydanlar: Veri, yorumlanabilirlik ve Domain Shift

Sözcülüğe rağmen, birçok engel yaygın, tamamen otomatik olarak kabul edilmeyi engelliyor.

Büyük Etiketli Datasets için ihtiyaç var

Süperviz ve derin öğrenme modelleri, binlerce etiketli örneği genelleştirmek için gerektirir. İyi bir günlük aralıkları benzer bir basan litholoji ile etiketlenmiş ve uzman zaman gerektirir.Birçok olgun alanda, miras temel açıklamaları tüm litholojileri kapsamayabilir veya eski nomenclature kullanabilir. Transfer öğrenme (bir ön lisans eğitimi ile önceden belirlenmiş bir model) ancak henüz standart değildir.

Model Yorumability

Geoscientists siyah-box tahminlerinin savaşıyor. Bir AI modeli bayrakları SHAP (SHapley Katkı ekleri) ve LIME (Local Interpretable Modelagnostic ışın ve düşük direnç görüyor) derinlemesine yorum yapabilmeleri gerekir. Ancak, bu kararı entegre etmek için bu kararı entegre etmek gerekir.

Domain Shift Between Wells

Bir kuyudan gelen geçişler için eğitilmiş bir model, farklı giriş araçları, mud sistemler veya delik koşulları nedeniyle başka bir şekilde başarısız olabilir. Örneğin, bir alanda yoğunluk günlük kalibreli, tuzlu doygunda farklı olarak okunur. Normalleşme ve çevresel düzeltmeler yardımcı olur, ancak tüm varyantasyon kaynaklarını ortadan kaldıramaz. Stratigraphic ve diagenetik variability across a field ayrıca model transfer edilebilirliği azaltır.

Uncertainty Quantification

Çoğu standart algoritma, belirsizlik olmadan tek bir sınıf etiketini çıkardı. Güvenlik-kahkade kararları (örneğin, perforasyon aralıkları), modelin belirsiz olduğu zaman bilmek önemlidir. Olasılıksal çıktılar, Bayesian sinir ağları veya ensemble yöntemleri kullanılmaya başlanır, ancak hesaplama karmaşıklığı ekliyorlar.

Vaka Çalışması: AI-Driven Lithology Tanımlama Bir Clastic Reservoir

Kuzey Denizi Brent- Grubu'ndan 10 dakikalık bir veri kümesi göz önünde bulundurulur, lithology, ince karbonat telleri ile gölgelenmeli bir şekilde küçültüldü. Manual yorumu, beş litrelik kum, silü, karbonat-cemented kum ve silü, ve shale.Bir Random Forest modeli kumar hattında eğitilmiştir, nötron porosity, yoğunluk, dirençle, iki doku özellikleri iyi bir şekilde yüzde 88 oranında doğrulukla elde etti.

Future: Sayma ve Entegre AI

Mevcut sınırlamaların üstesinden gelmek için birkaç araştırma trendi:

  • [FONT:0]Semi-netmen ve Self-netmen Öğrenme: Bu yöntemler, ilk önce yararlı temsilleri öğrenmek için daha az etiketli günlük verileri gerektirir, sonra küçük bir etiketli set üzerinde iyi bir şekilde etiketlemek için.Bu yaklaşım yarım tarafından etiketleme çabasını kesebilir.
  • [FONT=0)Multi-modal Data Fusion:[Döneticileri ile iyi girişler, gramer okumalar ve hatta görüntü logları (bore demografi görüntüleri) tek bir modele kadar. Örneğin, CNN, geleneksel bir günlük eğrileri geleneksel bir şekilde devretmelerken iki boyutlu deremeler ile birlikte, birleşik bir litholoji tahminini üretebilir.
  • [FONT=0)Fiziksel Ağlar (PINN) hakkında bilgi sahibi olmak () Sert-koding petrofizik ilişkileri (örneğin, Archie Arch's law) kaybı işlevine göre, PINN'ler, bu tahminlerin fiziksel olarak tutarlı olmasını sağlar ve fiziksel olarak gürültü yapmamalarını sağlar.
  • [FONT:0]Active Learning and Interactive Silence: Geostatistlerin birkaç yanlış sınıflanmış aralığı doğrulamasına izin veren araçlar, sonra otomatik olarak modeli yeniden eğitin.
  • [FONT=0]Bayesian Deep Learning:[Döneticileri ağ ağırlıklarına yerleştirmek için, model çıktıları belirsizlik haritaları (örneğin gaz taşıma olasılığı) bu, kasıtlı karar verme olasılığı için çok önemlidir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

AI kullanarak otomatik litoloji ve sıvı kimlik artık bir araştırma merakı değildir; bu modellerin başarılı bir şekilde dağıtılması, dikkatli bir şekilde işleme modelleri - Random Forests'tan derin bir şekilde, yorum yapabilme yeteneğinden - yorumlayabilme yeteneğini göstermiştir, tutarlılığı geliştirir ve altyüz özelliklerini tespit edebilir. Ancak bu modellerin başarılı dağıtımını yüksek kaliteli eğitim verileri, dikkatli bir ön işlemeye, modellemeye bağlılıktan, ve uzman gözetimle harmanlayan bir iş akışına bağlıdır.

Endüstri her sınırın otomatik olarak izlenmesi ve otomatik olarak doğrulanması için sürekli olarak veri ve AI yorumlanabilir araçları olgun olarak, geoscientist'in rolü, otomatik olarak tahmin edilen her sınırın belirlenmesi ve doğrulanması için manuel olarak değişecektir. Nihai hedef, uzmanın değiştirilmesini sağlamak, ancak altyüzlülüğü, belirsizliği azaltmak ve daha hızlı, daha fazla bilgilendirilmiş kararlar vermek için yeteneğini artırmaktır.

Pratik uygulamalar hakkında daha fazla okuma için, Petrofizikçiler ve Well Analysts (SPWLA) kağıtları petrofizikte () ile SPE (FLT:1) arasında (Döneticileri ve Mühendislik) derinlemesine öğrenme üzerine kurulu makale () ve SPE açık kaynak projesidir.