🤖 machine learning

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

Ce papier présente OpenSeisML, une collection soigneusement constituée de véritables jeux de données sismiques et de diagraphies de puits provenant du Dépôt National de Données du Royaume-Uni, intégrant un pipeline automatisé pour la conversion temps-profondeur, afin de remédier à la pénurie de données publiques et de permettre l'entraînement de modèles d'intelligence artificielle générative pour l'inversion sismique et la quantification des incertitudes.

Auteurs originaux : Ipsita Bhar, Huseyin Tuna Erdinc, Thales Souza, Charles Jones, Felix J. Herrmann

Publié 2026-05-21

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ipsita Bhar, Huseyin Tuna Erdinc, Thales Souza, Charles Jones, Felix J. Herrmann

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez d'enseigner à un chef robot comment préparer le gâteau parfait. Pour ce faire, le robot doit goûter des milliers de vrais gâteaux pour comprendre comment la farine, le sucre et les œufs interagissent. Cependant, dans le monde de l'exploration pétrolière et gazière, les « gâteaux » sont des formations rocheuses souterraines, et les « recettes » sont cachées dans les coffres-forts privés des entreprises. La plupart des données de haute qualité nécessaires pour former ces chefs en IA sont verrouillées, laissant les chercheurs s'exercer sur des gâteaux factices générés par ordinateur qui n'ont pas tout à fait le goût du vrai.

Ce papier présente OpenSeisML, une nouvelle « cuisine » open-source remplie de données sismiques réelles et de haute qualité et de diagraphies de puits, conçue spécifiquement pour former la prochaine génération d'IA à la recherche de pétrole et de gaz.

Voici une décomposition de ce qu'ils ont fait, en utilisant des analogies simples :

Le Problème : Le Dilemme du « Faux Gâteau »

Pendant longtemps, les chercheurs ont tenté d'entraîner l'IA à déterminer ce qui se trouve sous terre en utilisant des données synthétiques (simulations informatiques).

Le Modèle Compass & SEAM : Ce sont comme des gâteaux factices très détaillés et au rendu réaliste. Ils ont l'air bien, mais il n'existe qu'une seule version de chacun. Si vous entraînez votre IA sur un seul faux gâteau, elle mémorise ce gâteau spécifique et échoue lorsqu'elle en voit un réel légèrement différent.
OpenFWI : C'est comme une immense bibliothèque de gâteaux factices aux formes variées. Bien qu'il y en ait beaucoup, ils sont toujours fabriqués dans un laboratoire contrôlé. Ils manquent de la « saveur » désordonnée et chaotique de la géologie réelle.

Le résultat ? Les modèles d'IA entraînés sur ces faux échouent souvent lorsqu'ils rencontrent la réalité désordonnée de la Terre réelle.

La Solution : La Bibliothèque de « Vrais Gâteaux »

Les auteurs se sont rendus au Dépôt National de Données du Royaume-Uni (NDR), une bibliothèque publique gérée par l'État contenant des données géologiques réelles. Ils ont construit un pipeline automatisé pour récupérer de véritables relevés sismiques (images 3D du sous-sol) et de véritables diagraphies de puits (mesures prises dans des trous de forage réels).

Imaginez ce pipeline comme une chaîne de montage ultra-efficace qui nettoie et prépare ces ingrédients bruts afin qu'une IA puisse les consommer immédiatement.

La Chaîne de Montage : Comment ils ont préparé les données

Le papier décrit un processus en quatre étapes pour transformer les données brutes en matériel d'entraînement :

Rassembler les Ingrédients (Collecte de données) :
Ils ont téléchargé d'énormes ensembles de données sismiques 3D et les diagraphies de puits associées au Royaume-Uni. Ils ont été sélectifs, choisissant principalement des données postérieures aux années 1990, car les données plus anciennes étaient comme des « ingrédients périmés » : désordonnées, incohérentes et difficiles à utiliser automatiquement.
Aligner la Carte (Système de coordonnées) :
Imaginez essayer de superposer une photo satellite d'une ville avec un dessin à la main d'un réseau de métro. Si les échelles ne correspondent pas, les lignes ne s'aligneront pas. Les chercheurs ont veillé à ce que toutes les données sismiques et les diagraphies de puits soient sur la même carte de coordonnées exacte, afin que l'IA sache exactement où se trouve le trou de forage par rapport à l'image sismique.
La Conversion Voyage dans le Temps (Temps vers Profondeur) :
C'est la partie la plus délicate. Les données sismiques arrivent souvent en « temps » (le temps qu'il a fallu à une onde sonore pour rebondir), mais les trous de forage mesurent la « profondeur » (combien de mètres vers le bas).
- L'Analogie : C'est comme essayer de convertir une recette qui dit « cuire pendant 10 minutes » en « cuire jusqu'à ce que le centre atteigne 200 degrés ». Vous avez besoin d'un tableau de conversion.
- La Méthode : Ils ont utilisé des données de « checkshot » (mesures qui indiquent exactement le temps que met le son à voyager vers des profondeurs spécifiques) pour construire un modèle de vitesse lisse. Imaginez cela comme créer une « carte de vitesse » du sous-sol. Ils ont utilisé un outil mathématique appelé Fonctions de Base Radiale (RBF) pour combler les lacunes entre les trous de forage, créant ainsi une carte de vitesse 3D lisse qui agit comme un traducteur entre le temps et la profondeur.
Trancher le Pain (Création des données d'entraînement) :
Une fois les données 3D converties en profondeur, ils les ont découpées en bandes 2D passant directement à travers les trous de forage. Ils ont ensuite redimensionné ces tranches à une taille standard (comme redimensionner toutes les photos en 1080p) afin que l'IA puisse apprendre de manière cohérente.

Le Résultat : Un Nouveau Chef IA

Les chercheurs ont testé ce nouvel ensemble de données en entraînant un Modèle de Diffusion (un type d'IA générative qui apprend des motifs pour créer de nouvelles images).

Le Test : Ils ont entraîné l'IA sur seulement 40 puits réels.
Le Résultat : L'IA a appris avec succès la « saveur » statistique du sous-sol. Elle a pu générer de nouveaux modèles de vitesse réalistes qui ressemblaient beaucoup à la vérité terrain réelle.
L'Objectif : Le but ultime est d'utiliser cette IA pour créer des milliers de scénarios « et si ». Cela aide les géologues à comprendre l'incertitude de ce qui se trouve sous terre, plutôt que de simplement leur donner une seule hypothèse.

Résumé

En bref, le papier dit : « Arrêtez d'entraîner votre IA sur des simulations factices à version unique. Nous avons construit un pipeline automatisé pour récolter, nettoyer et organiser de vraies données sismiques du Royaume-Uni. Cela permet à l'IA d'apprendre la nature véritable, désordonnée et statistique de la Terre, conduisant à de meilleures prédictions pour l'inversion sismique. »

Ils travaillent actuellement sur des tranches 2D et prévoient de passer à l'échelle 3D et d'inclure plus de puits (jusqu'à 1 000) pour rendre l'IA encore plus intelligente.

Résumé Technique : OpenSeisML

Énoncé du Problème
Le développement et l'évaluation des flux de travail d'IA générative (Gen-AI) pour l'inversion sismique sont actuellement entravés par une pénurie de modèles de vitesse réalistes et de haute qualité. Bien que l'apprentissage automatique ait accéléré l'inversion sismique en réduisant le coût computationnel des méthodes itératives, la plupart des données de haute qualité disponibles sont la propriété privée des compagnies pétrolières et gazières. Les benchmarks publics existants, tels que le modèle Compass, SEAM et OpenFWI, souffrent de limitations significatives : ils sont souvent limités à des réalisations déterministes uniques, manquent de variabilité stochastique, ou reposent sur des données synthétiques qui ne parviennent pas à capturer la complexité et la variabilité géologiques complètes des conditions réelles de terrain. Par conséquent, les modèles entraînés sur ces ensembles de données risquent de surajuster à des géologies spécifiques ou à des configurations synthétiques, peinant à se généraliser à des environnements souterrains diversifiés.

Méthodologie
Pour combler ces lacunes, les auteurs présentent OpenSeisML, un pipeline automatisé de curation de données conçu pour générer des ensembles de données sismiques et de diagraphies de puits à grande échelle et réels à partir du Dépôt National de Données (NDR) du Royaume-Uni. Le flux de travail se compose de quatre composants principaux :

Collecte de Données : Le pipeline utilise le portail UK-NDR pour télécharger en masse des données sismiques 3-D migrées (SEG-Y) et les données de puits associées (fichiers LAS et checkshot) via des API. Pour garantir la qualité et la reproductibilité, les auteurs privilégient les relevés acquis après les années 1990 afin d'éviter les en-têtes incohérents et les coordonnées de puits incertaines, bien qu'un petit nombre de relevés antérieurs à 1990 aient été inclus après vérification.
Prétraitement et Alignement : Les volumes sismiques et les données de puits sont alignés dans un système de référence de coordonnées (CRS) commun. Pour représenter les données sismiques 3-D sur une grille régulière, les auteurs estiment les limites des relevés en utilisant une enveloppe convexe concave pour tenir compte des géométries d'acquisition irrégulières et extraire la plus grande région rectangulaire contiguë avec des grilles régulières.
Conversion Temps-Profondeur : Étant donné que les données sismiques post-empilement peuvent être dans le domaine temporel tandis que les diagraphies de puits sont en profondeur, une conversion est nécessaire. Les auteurs utilisent les données de checkshot (fournissant la profondeur et les temps de trajet aller-retour) pour calculer les vitesses moyennes. Ces vitesses sont interpolées spatialement à l'aide d'une fonction de base radiale (RBF) pour construire un volume de vitesse moyenne 3-D lisse. Ce volume est utilisé pour convertir les données sismiques migrées en temps vers le domaine de la profondeur. Les auteurs notent explicitement que l'objectif est une cartographie temps-profondeur cohérente plutôt qu'un modèle de vitesse intervalle hautement précis, visant à capturer le comportement statistique global du champ de vitesse.
Génération de Données d'Entraînement : L'étape finale consiste à extraire des sections sismiques 2-D en domaine de profondeur le long de « lignes quasi-2D » passant par des trajectoires de puits sélectionnées. Ces sections sont rééchantillonnées sur une grille de $256 \times 512$ en utilisant une FFT 2D avec un filtre passe-bas lisse pour harmoniser les résolutions entre les traces sismiques et les diagraphies de puits généralement échantillonnées plus finement. L'ensemble de données final comprend des sections sismiques 2-D intégrées avec le contrôle des puits, stockées au format HDF5.

Contributions Clés

Ensemble de Données OpenSeisML : Une collection curated d'ensembles de données sismiques réels du bassin de la mer du Nord, conçue spécifiquement pour soutenir les flux de travail Gen-AI pour l'inversion sismique.
Pipeline Automatisé : Un flux de travail automatisé et reproductible pour la curation de données qui gère les complexités de l'alignement des données sismiques et de puits réelles, y compris la conversion temps-profondeur utilisant des modèles de vitesse dérivés de checkshots.
Représentation Statistique : Contrairement aux benchmarks précédents qui offrent des réalisations uniques, cet ensemble de données capture la distribution statistique des propriétés souterraines, permettant la synthèse de multiples réalisations statistiquement cohérentes pour la quantification de l'incertitude.
Support Multi-Paramètres : L'ensemble de données inclut non seulement la vitesse, mais aussi des mesures pétrophysiques (diagraphies gamma, neutron, densité, sonique et de résistivité), fournissant des contraintes sur la lithologie, la porosité et les propriétés des fluides.

Résultats
Les auteurs ont mené des expériences préliminaires en entraînant un modèle génératif basé sur la diffusion sur les données OpenSeisML curated.

Le modèle a d'abord été entraîné sur l'ensemble de données Compass pour une comparaison de référence, puis réentraîné en utilisant des données provenant de seulement 40 puits de la collection OpenSeisML.
Les résultats ont démontré que le modèle pouvait générer des distributions de modèles de vitesse réalistes qui s'alignent étroitement avec les données de vérité terrain dérivées des puits.
Les auteurs notent que ces résultats sont préliminaires ; les travaux futurs impliquent de passer à l'échelle l'entraînement à au moins 1 000 diagraphies de puits réels pour améliorer davantage la précision et la généralisation.

Signification et Revendications
L'article revendique qu'OpenSeisML adresse le goulot d'étranglement critique de la pénurie de données dans le développement de modèles ML fiables et reproductibles pour la géophysique. En exploitant des données de terrain réelles plutôt que des modèles synthétiques ou déterministes, le cadre vise à capturer les véritables caractéristiques statistiques et la complexité géologique des conditions souterraines. Les auteurs positionnent ce travail comme une étape fondamentale vers l'entraînement de modèles génératifs pouvant agir comme a priori pour l'inversion sismique et faciliter la quantification de l'incertitude. Ils soulignent que l'évaluation actuelle se fait dans un cadre 2-D, avec des plans pour étendre le cadre au 3-D, et mettent en avant le potentiel de ces ensembles de données pour évaluer les algorithmes d'inversion multi-paramètres à l'avenir.