🤖 machine learning

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

Este artículo presenta OpenSeisML, una colección curada de conjuntos de datos sísmicos y de registros de pozos reales del Repositorio Nacional de Datos del Reino Unido, que incluye una tubería automatizada para la conversión de tiempo a profundidad, con el fin de abordar la escasez de datos públicos y permitir el entrenamiento de modelos de IA generativa para la inversión sísmica y la cuantificación de la incertidumbre.

Autores originales: Ipsita Bhar, Huseyin Tuna Erdinc, Thales Souza, Charles Jones, Felix J. Herrmann

Publicado 2026-05-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ipsita Bhar, Huseyin Tuna Erdinc, Thales Souza, Charles Jones, Felix J. Herrmann

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñar a un chef robot cómo hornear el pastel perfecto. Para lograrlo, el robot necesita probar miles de pasteles reales para entender cómo interactúan la harina, el azúcar y los huevos. Sin embargo, en el mundo de la exploración de petróleo y gas, los "pasteles" son formaciones rocosas subterráneas, y las "recetas" están ocultas dentro de bóvedas privadas de empresas. La mayoría de los datos de alta calidad necesarios para entrenar a estos chefs de IA están bloqueados, dejando a los investigadores practicar con pasteles falsos generados por computadora que no saben exactamente como los reales.

Este artículo presenta OpenSeisML, una nueva "cocina" de código abierto llena de datos sísmicos reales y de alta calidad y registros de pozos, diseñada específicamente para entrenar a la próxima generación de IA para la búsqueda de petróleo y gas.

Aquí hay un desglose de lo que hicieron, utilizando analogías simples:

El Problema: El Dilema del "Pastel Falso"

Durante mucho tiempo, los investigadores han intentado entrenar a la IA para descubrir qué hay bajo tierra utilizando datos sintéticos (simulaciones por computadora).

El Modelo Compass y SEAM: Son como pasteles falsos muy detallados y realistas. Se ven bien, pero solo existe una versión de cada uno. Si entrenas a tu IA con un solo pastel falso, memoriza ese pastel específico y falla cuando ve uno real ligeramente diferente.
OpenFWI: Es como una biblioteca masiva de pasteles falsos con diferentes formas. Aunque hay muchos, todavía están hechos en un laboratorio controlado. Carecen del "sabor" desordenado y caótico de la geología real.

¿El resultado? Los modelos de IA entrenados con estos falsos a menudo luchan cuando se encuentran con la realidad desordenada de la Tierra real.

La Solución: La Biblioteca del "Pastel Real"

Los autores acudieron al Depósito Nacional de Datos (NDR) del Reino Unido, una biblioteca pública gestionada por el gobierno de datos geológicos del mundo real. Construyeron una tubería automatizada para obtener estudios sísmicos reales (imágenes 3D del subsuelo) y registros de pozos reales (mediciones tomadas de agujeros de perforación reales).

Piensa en esta tubería como una línea de montaje súper eficiente que limpia y prepara estos ingredientes crudos para que la IA pueda comerlos inmediatamente.

La Línea de Montaje: Cómo Prepararon los Datos

El artículo describe un proceso de cuatro pasos para convertir datos crudos en material de entrenamiento:

Reuniendo los Ingredientes (Recopilación de Datos):
Descargaron conjuntos masivos de datos sísmicos 3D y registros de pozos asociados del Reino Unido. Fueron selectivos, eligiendo principalmente datos posteriores a la década de 1990 porque los datos más antiguos eran como "ingredientes caducados": desordenados, inconsistentes y difíciles de usar automáticamente.
Alineando el Mapa (Sistema de Coordenadas):
Imagina intentar superponer una foto satelital de una ciudad con un mapa dibujado a mano de un sistema de metro. Si las escalas no coinciden, las líneas no se alinearán. Los investigadores aseguraron que todos los datos sísmicos y los registros de pozos estuvieran en el mismo mapa de coordenadas exacto para que la IA sepa exactamente dónde está el agujero de perforación en relación con la imagen sísmica.
La Conversión de Viaje en el Tiempo (Tiempo a Profundidad):
Esta es la parte más complicada. Los datos sísmicos a menudo vienen en "tiempo" (cuánto tardó una onda sonora en rebotar), pero los pozos de perforación miden "profundidad" (cuántos metros hacia abajo).
- La Analogía: Es como intentar convertir una receta que dice "cocinar durante 10 minutos" en "cocinar hasta que el centro alcance 200 grados". Necesitas una tabla de conversión.
- El Método: Utilizaron datos de "checkshot" (mediciones que indican exactamente cuánto tarda el sonido en viajar a profundidades específicas) para construir un modelo de velocidad suave. Piensa en esto como crear un "mapa de velocidad" del subsuelo. Utilizaron una herramienta matemática llamada Funciones de Base Radial (RBF) para rellenar los huecos entre los pozos de perforación, creando un mapa de velocidad 3D suave que actúa como traductor entre tiempo y profundidad.
Cortando la Barra (Creación de Datos de Entrenamiento):
Una vez que los datos 3D se convirtieron a profundidad, los cortaron en tiras 2D que pasaban directamente a través de los pozos de perforación. Luego redimensionaron estas tiras a un tamaño estándar (como redimensionar todas las fotos a 1080p) para que la IA pudiera aprender de ellas de manera consistente.

El Resultado: Un Nuevo Chef de IA

Los investigadores probaron este nuevo conjunto de datos entrenando un Modelo de Difusión (un tipo de IA generativa que aprende patrones para crear nuevas imágenes).

La Prueba: Entrenaron a la IA con solo 40 pozos reales.
El Resultado: La IA aprendió con éxito el "sabor" estadístico del subsuelo. Podía generar nuevos modelos de velocidad realistas que se parecían mucho a la verdad real del terreno.
El Objetivo: El objetivo final es utilizar esta IA para crear miles de escenarios de "qué pasaría si". Esto ayuda a los geólogos a entender la incertidumbre de lo que hay bajo tierra, en lugar de darles solo una sola suposición.

Resumen

En resumen, el artículo dice: "Dejen de entrenar a su IA con simulaciones falsas de una sola versión. Hemos construido una tubería automatizada para cosechar, limpiar y organizar datos sísmicos reales del Reino Unido. Esto permite que la IA aprenda la verdadera, desordenada y naturaleza estadística de la Tierra, lo que lleva a mejores predicciones para la inversión sísmica".

Actualmente están trabajando con cortes 2D y planean escalar esto a 3D e incluir más pozos (hasta 1,000) para hacer que la IA sea aún más inteligente.

Resumen Técnico: OpenSeisML

Enunciado del Problema
El desarrollo y la evaluación de flujos de trabajo de Inteligencia Artificial Generativa (Gen-AI) para la inversión sísmica se ven actualmente obstaculizados por la escasez de modelos de velocidad realistas y de alta calidad. Si bien el aprendizaje automático ha acelerado la inversión sísmica al reducir el costo computacional de los métodos iterativos, la mayoría de los datos de alta calidad disponibles son propiedad privada de empresas de petróleo y gas. Las referencias públicas existentes, como el modelo Compass, SEAM y OpenFWI, adolecen de limitaciones significativas: a menudo se restringen a realizaciones deterministas individuales, carecen de variabilidad estocástica o dependen de datos sintéticos que no logran capturar la complejidad geológica completa y la variabilidad de las condiciones reales de campo. En consecuencia, los modelos entrenados con estos conjuntos de datos corren el riesgo de sobreajustarse a geologías específicas o configuraciones sintéticas, luchando para generalizar a diversos entornos subsuperficiales.

Metodología
Para abordar estas brechas, los autores presentan OpenSeisML, una tubería de curación de datos automatizada diseñada para generar conjuntos de datos sísmicos y de registros de pozos a gran escala y reales desde el Repositorio Nacional de Datos del Reino Unido (NDR). El flujo de trabajo consta de cuatro componentes principales:

Recopilación de Datos: La tubería utiliza el portal UK-NDR para descargar masivamente datos sísmicos 3-D migrados (SEG-Y) y datos de pozos asociados (archivos LAS y checkshot) mediante APIs. Para garantizar la calidad y la reproducibilidad, los autores priorizan las campañas de adquisición realizadas después de la década de 1990 para evitar encabezados inconsistentes y coordenadas de pozos inciertas, aunque se incluyó un pequeño número de campañas anteriores a 1990 tras su verificación.
Preprocesamiento y Alineación: Los volúmenes sísmicos y los datos de pozos se alinean dentro de un sistema de referencia de coordenadas (CRS) común. Para representar los datos sísmicos 3-D en una cuadrícula regular, los autores estiman los límites de la campaña utilizando una envolvente convexa para tener en cuenta las geometrías de adquisición irregulares y extraen la región rectangular contigua más grande con cuadrículas regulares.
Conversión de Tiempo a Profundidad: Dado que los datos sísmicos post-pila pueden estar en el dominio del tiempo mientras que los registros de pozos están en profundidad, es necesaria una conversión. Los autores utilizan datos de checkshot (que proporcionan profundidad y tiempos de viaje de ida y vuelta) para calcular velocidades promedio. Estas velocidades se interpolan espacialmente utilizando una Función de Base Radial (RBF) para construir un volumen de velocidad promedio 3-D suave. Este volumen se utiliza para convertir los datos sísmicos migrados en el tiempo al dominio de la profundidad. Los autores señalan explícitamente que el objetivo es un mapeo tiempo-profundidad consistente en lugar de un modelo de velocidad de intervalo altamente preciso, con el fin de capturar el comportamiento estadístico general del campo de velocidades.
Generación de Datos de Entrenamiento: El paso final implica la extracción de secciones sísmicas 2-D en el dominio de la profundidad a lo largo de "líneas cuasi-2D" que pasan por trayectorias de pozos seleccionadas. Estas secciones se re-muestrean a una cuadrícula de $256 \times 512$ utilizando una FFT 2D con un filtro paso bajo suave para armonizar las resoluciones entre los trazos sísmicos y los registros de pozos, que suelen tener un muestreo más fino. El conjunto de datos final comprende secciones sísmicas 2-D integradas con control de pozos, almacenadas en formato HDF5.

Contribuciones Clave

Conjunto de Datos OpenSeisML: Una colección curada de conjuntos de datos sísmicos reales de la cuenca del Mar del Norte, diseñada específicamente para apoyar flujos de trabajo de Gen-AI para la inversión sísmica.
Tubería Automatizada: Un flujo de trabajo automatizado y reproducible para la curación de datos que maneja las complejidades de alinear datos sísmicos y de pozos del mundo real, incluida la conversión de tiempo a profundidad utilizando modelos de velocidad derivados de checkshot.
Representación Estadística: A diferencia de las referencias anteriores que ofrecen realizaciones individuales, este conjunto de datos captura la distribución estadística de las propiedades subsuperficiales, permitiendo la síntesis de múltiples realizaciones estadísticamente consistentes para la cuantificación de la incertidumbre.
Soporte Multi-Parámetro: El conjunto de datos incluye no solo la velocidad, sino también mediciones petrofísicas (registros de rayos gamma, neutrón, densidad, sónico y resistividad), proporcionando restricciones sobre la litología, la porosidad y las propiedades de los fluidos.

Resultados
Los autores realizaron experimentos preliminares entrenando un modelo generativo basado en difusión con los datos curados de OpenSeisML.

El modelo se entrenó inicialmente con el conjunto de datos Compass para una comparación de referencia y luego se reentrenó utilizando datos de solo 40 pozos de la colección OpenSeisML.
Los resultados demostraron que el modelo podía generar distribuciones realistas de modelos de velocidad que se alineaban estrechamente con los datos de verdad de campo derivados de los pozos.
Los autores señalan que estos resultados son preliminares; el trabajo futuro implica escalar el entrenamiento a al menos 1,000 registros de pozos reales para mejorar aún más la precisión y la generalización.

Significado y Afirmaciones
El artículo afirma que OpenSeisML aborda el cuello de botella crítico de la escasez de datos en el desarrollo de modelos de ML confiables y reproducibles para la geofísica. Al aprovechar datos de campo reales en lugar de modelos sintéticos o deterministas, el marco busca capturar las verdaderas características estadísticas y la complejidad geológica de las condiciones subsuperficiales. Los autores posicionan este trabajo como un paso fundamental hacia el entrenamiento de modelos generativos que puedan actuar como priores para la inversión sísmica y facilitar la cuantificación de la incertidumbre. Enfatizan que la evaluación actual se realiza en un entorno 2-D, con planes de extender el marco a 3-D, y destacan el potencial de estos conjuntos de datos para evaluar algoritmos de inversión multi-parámetro en el futuro.