Сегодня в нашей серии статей о рабочих процессах машинного обучения OpendTect мы покажем рабочий процесс для прогнозирования свойств горных пород с использованием реальных скважин.

Этот рабочий процесс имеет множество вариаций. Вы можете тренироваться на реальных или синтетических сейсмических данных, чтобы прогнозировать интересующие свойства каротажа.

В этом случае мы прогнозируем абсолютный акустический импеданс (AI) по синтетическим сейсмическим данным и низкочастотному AI. Мы сравниваем результат машинного обучения с инверсией, управляемой моделью (байесовская линейная инверсия), и со стохастической инверсией (инверсия сопоставления трассировки HitCube).

Модель для инверсии машинного обучения — это модели XGBoost of Random Forest (Scikit Learn). У нас в ансамбле 200 случайных лесов с глубиной 10. В нашем исследовании есть 4 скважины. Мы начинаем с 4 прогонов, в которых мы тренируемся на 3 скважинах и используем оставшуюся для слепого тестирования. Это позволяет нам настраивать параметры модели и получать уверенность в предсказаниях модели. Когда мы удовлетворены результатом, мы обучаем все 4 скважины и применяем обученную модель к реальным сейсмическим и низкочастотным входным данным, чтобы получить желаемый ИИ с полной полосой пропускания.

Рабочий процесс, показанный в видео, записан в версии 7, которая должна быть выпущена 5 июня 2023 года (на конференции EAGE в Вене — стенд 4314). Чтобы воспроизвести этот рабочий процесс в версии 6, обратите внимание на различия в пользовательском интерфейсе.

Автор: Paul de Groot из dGB Earth Sciences

#OpendTect #geoscience #seismic #geophysics #geology #ai #machinelearning