OpenSeisML: Open Large-Scale Real Seismic and well-log Dataset for Generative AI

ملخص تقني: OpenSeisML

بيان المشكلة
يعيق ندرة نماذج السرعة الواقعية وعالية الجودة عملية تطوير وتقييم سير عمل الذكاء الاصطناعي التوليدي (Gen-AI) في مجال الانعكاس الزلزالي. وبينما سرّعت تعلم الآلة من عمليات الانعكاس الزلزالي عبر تقليل التكلفة الحسابية للطرق التكرارية، فإن معظم البيانات عالية الجودة المتاحة مملوكة لشركات النفط والغاز. تعاني المعايير المرجعية العامة الموجودة حالياً، مثل نموذج Compass وSEAM وOpenFWI، من قيود كبيرة: فهي غالباً ما تقتصر على تجليات حتمية واحدة، وتفتقر إلى التباين العشوائي، أو تعتمد على بيانات اصطناعية تفشل في محاكاة التعقيد الجيولوجي الكامل والتباين الموجود في الظروف الميدانية الحقيقية. وبناءً على ذلك، فإن النماذج التي يتم تدريبها على هذه المجموعات من البيانات تواجه خطر الإفراط في التخصيص (overfitting) لنماذج جيولوجية أو إعدادات اصطناعية محددة، مما يجعلها تجد صعوبة في التعميم على بيئات تحت سطحية متنوعة.

المنهجية
لمعالجة هذه الفجوات، يقدم المؤلفون OpenSeisML، وهو مسار مؤتمت لتنظيم البيانات مصمم لتوليد مجموعات بيانات زلزالية وسجلات آبار ضخمة وواقعية من مستودع البيانات الوطني البريطاني (UK NDR). يتكون سير العمل من أربعة مكونات رئيسية:

1. جمع البيانات: يستخدم المسار بوابة UK-NDR لتحميل بيانات زلزالية ثلاثية الأبعاد منقولة (SEG-Y) وبيانات الآبار المرتبطة بها (ملفات LAS وملفات checkshot) بشكل جماعي عبر واجهات برمجة التطبيقات (APIs). ولضمان الجودة وقابلية التكرار، يعطي المؤلفون الأولوية للمسوحات التي تم الحصول عليها بعد تسعينيات القرن الماضي لتجنب عدم اتساق الرؤوس (headers) وعدم دقة إحداثيات الآبار، وإن كان قد تم تضمين عدد قليل من مسوحات ما قبل التسعينيات بعد التحقق منها.
2. المعالجة المسبقة والمحاذاة: يتم محاذاة الأحجام الزلزالية وبيانات الآبار ضمن نظام مرجعي إحداثي (CRS) مشترك. ولتمثيل البيانات الزلزالية ثلاثية الأبعاد على شبكة منتظمة، يقدر المؤلفون حدود المسح باستخدام "الغلاف المقعر" (concave hull) لمراعاة هندسة الاستحواذ غير المنتظمة، واستخراج أكبر منطقة مستطيلة متصلة ذات شبكات منتظمة.
3. التحويل من الزمن إلى العمق: بما أن البيانات الزلزالية لما بعد التراكم (post-stack) قد تكون في نطاق الزمن بينما سجلات الآبار في نطاق العمق، فإن التحويل يصبح ضرورياً. يستخدم المؤلفون بيانات الـ checkshot (التي توفر العمق وزمن الذهاب والإياب) لحساب متوسط السرعات. ويتم استيفاء هذه السرعات مكانياً باستخدام دالة الأساس الشعاعي (RBF) لبناء حجم متوسط سرعة ثلاثي الأبعاد سلس. يُستخدم هذا الحجم لتحويل البيانات الزلزالية المنقولة زمنياً إلى نطاق العمق. ويشير المؤلفون صراحةً إلى أن الهدف هو تحقيق mapping (ربط) متسق بين الزمن والعمق بدلاً من بناء نموذج سرعة فترية عالي الدقة، بهدف التقاط السلوك الإحصائي العام لمجال السرعة.
4. توليد بيانات التدريب: تتضمن الخطوة النهائية استخراج مقاطع زلزالية ثنائية الأبعاد في نطاق العمق على طول "خطوط شبه ثنائية الأبعاد" تمر عبر مسارات آبار مختارة. يتم إعادة أخذ عينات هذه المقاطع على شبكة $256 \times 512$ باستخدام تحويل فوريه سريع (2D FFT) مع مرشح تمرير منخفض سلس لتوحيد الدقة بين المسارات الزلزالية وسجلات الآبار التي عادة ما تكون ذات عينات أدق. تتكون مجموعة البيانات النهائية من مقاطع زلزالية ثنائية الأبعاد مدمجة مع تحكم الآبار، ومخزنة بتنسيق HDF5.

المساهمات الرئيسية

• مجموعة بيانات OpenSeisML: مجموعة منسقة من البيانات الزلزالية الحقيقية من حوض بحر الشمال، مصممة خصيصاً لدعم سير عمل الذكاء الاصطناعي التوليدي في الانعكاس الزلزالي.
• مسار مؤتمت: سير عمل مؤتمت وقابل للتكرار لتنظيم البيانات يتعامل مع تعقيدات محاذاة البيانات الزلزالية والآبار الحقيقية، بما في ذلك التحويل من الزمن إلى العمق باستخدام نماذج السرعة المستمدة من الـ checkshot.
• التمثيل الإحصائي: على عكس المعايير المرجعية السابقة التي تقدم تجليات واحدة، تلتقط هذه المجموعة التوزيع الإحصائي للخصائص تحت السطحية، مما يسمح بتخليق تجليات متعددة متسقة إحصائياً لتقدير عدم اليقين.
• دعم متعدد المعلمات: لا تشمل مجموعة البيانات السرعة فحسب، بل تشمل أيضاً القياسات البتروفيزيائية (أشعة غاما، النيوترون، الكثافة، الصوت، والمقاومة الكهربائية)، مما يوفر قيوداً على الليثولوجيا (علم الصخور)، والمسامية، وخصائص السوائل.

النتائج
أجرى المؤلفون تجارب أولية لتدريب نموذج توليدي قائم على الانتشار (diffusion-based model) على بيانات OpenSeisML المنسقة.

• تم تدريب النموذج في البداية على مجموعة بيانات Compass كمرجع للمقارنة، ثم أُعيد تدريبه باستخدام بيانات من 40 بئراً فقط من مجموعة OpenSeisML.
• أظهرت النتائج أن النموذج يمكنه توليد توزيعات واقعية لنماذج السرعة تتوافق بشكل وثيق مع البيانات المرجعية المستمدة من الآبار.
• يشير المؤلفون إلى أن هذه النتائج أولية؛ حيث يتضمن العمل المستقبلي توسيع التدريب ليشمل 1,000 سجل بئر حقيقي على الأقل لتحسين الدقة والقدرة على التعميم.

الأهمية والادعاءات
يزعم البحث أن OpenSeisML يعالج العقبة الحرجة المتمثلة في ندرة البيانات في تطوير نماذج تعلم آلي موثوقة وقابلة للتكرار في الجيوفيزياء. ومن خلال الاستفادة من البيانات الميدانية الحقيقية بدلاً من النماذج الاصطناعية أو الحتمية، يهدف الإطار إلى التقاط الخصائص الإحصائية الحقيقية والتعقيد الجيولوجي للظروف تحت السطحية. ويضع المؤلفون هذا العمل كخطوة تأسيسية نحو تدريب النماذج التوليدية التي يمكن أن تعمل كمعلومات سابقة (priors) للانعكاس الزلزالي وتسهل تقدير عدم اليقين. كما يؤكدون أن التقييم الحالي يتم في إعداد ثنائي الأبعاد، مع خطط لتوسيع الإطار إلى ثلاثة أبعاد، ويسلطون الضوء على إمكانية استخدام هذه المجموعات لتقييم خوارزميات الانعكاس متعددة المعلمات في المستقبل.