Kunstig intelligens har de seneste årene blitt et viktig verktøy for automatisk tolkning av seismikk. Nå får datamaskinene bryne seg på inkonformiteter.
Luc Alberts viser frem et eksempel på en inkonformitet fra felt. Skjermdump fra BRU21 presentasjon
Kun 5 prosent av seismiske data som oljeselskapene sitter på, blir benyttet. Mye av forklaringen bak dette kan ligge i at tolkningen av dataene er tidkrevende og dermed også kostbart.
Maskinlæring har de seneste årene blitt utviklet for å skape verktøy som automatisk kan tolke seismiske data, noe som reduserer tidsbruken betraktelig.
Utfordringen ligger i å kunne skape modeller som gjør tolkningsarbeidet presist, og her har FoU-miljøet og industrien kommet langt på mange fronter, blant annet når det kommer til å tolke horisonter, forkastninger og seismiske facies.
– Men lite har blitt gjort når det kommer til å utvikle modeller som kan gjenkjenne inkonformiteter i seismiske data, forteller Luc Alberts, postdoktor ved NTNU i en presentasjon som er tilgjengeliggjort på YouTube.
Alberts’ arbeid gjøres som en del av NTNUs forskningsprogram BRU21 i samarbeid med oljeselskapet Neptune Energy. Prosjektet heter Automatic Seismic Renconstruction of Missing Sections.
Les mer om BRU21 her: Utdanner fremtidens digitale geologer
Inkonformiteter er grenseflater som representerer et betydelig brudd mellom et eldre og et yngre lag i en lagrekke. Flaten markerer erosjon og/eller ikke-avsetningen mellom lagene (Norsk geologisk ordbok). Inkonformiteter representerer med andre ord «tapt tid» i lagrekkene.
I presentasjonen forteller Alberts at det er viktig å identifisere erosjon i seismiske data fordi de underliggende lagene på et tidspunkt var begravd dypere, noe som har påvirket porøsitet og andre egenskaper i bergartene negativt.
Ifølge Albert kan mennesker lett gjenkjenne de fleste inkonformiteter i seismiske data. Men det er et tidkrevende arbeid. Automatisk identifisering har så langt ikke vært i stand til å gjenkjenne inkonformiteter fordi disse horisontene endrer utseende langs en linje.
Alberts og hans kolleger tok i bruk maskinlæring (convolutional neural networks) på seismiske data og viste maskinen hva som var inkonformiteter og hva som ikke var det. Når maskinen fikk prøve identifisering på egenhånd, ble resultatene upresise.
– For å løse dette, spurte vi oss selv hva de fleste inkonformiteter har til felles. Svaret var at lagene over og under som regel har forskjellig helning. Ved å fortelle dette til modellen vår, ble resultatene straks bedre, sier postdoktoren.
Om den nyutviklede modeller fortsetter å kunne gjenkjenne inkonformiteter med høy presisjon, vil det kunne gi flere fordeler, inkludert forenklet arbeidsflyt i tolkningsarbeidet, betydelige besparelser av tid og penger, og kanskje også mulighet for å klassifisere ulike typer inkonformiteter som igjen kan gi mer innsikt i landheving i et gitt område.
