Physics-Informed Explainable Machine Learning for Tight Sandstone Facies Prediction from Conventional Well Logs: A Blind-Well Comparative Study Krishna-Godavari Basin, INDIA

पृथ्वी की सतह के बहुत नीचे, उन विशाल अवसादी बेसिनों में जो दुनिया की ऊर्जा को थामे हुए हैं, भूवैज्ञानिकों को एक निरंतर चुनौती का सामना करना पड़ता है: उस चट्टान में फंसे तेल और गैस को खोजना जो इसे बहने से रोकने की जिद करती है। दशकों तक, अन्वेषण (exploration) छिद्रपूर्ण, स्पंज जैसे जलाशयों पर केंद्रित रहा जहाँ तरल पदार्थ आसानी से घूम सकते हैं। आज, जैसे-जैसे वे आसान लक्ष्य कम होते जा रहे हैं, उद्योग अपना ध्यान "टाइट" (tight) जलाशयों की ओर मोड़ रहा है। ये ऐसी चट्टानी संरचनाएं हैं जहाँ छिद्र इतने छोटे और उनके बीच के जुड़ाव इतने संकीले होते हैं कि तेल या गैस वहीं लॉक हो जाती है, जिसे निकालने के लिए भारी इंजीनियरिंग प्रयासों की आवश्यकता होती है। इन टाइट ज़ोनों की पहचान करना कठिन है क्योंकि भूमिगत देखने के लिए उपयोग किए जाने वाले उपकरण—बोरहोल में नीचे उतारे गए सेंसरों की लंबी डोरियाँ—अक्सर भ्रमित करने वाले संकेत देते हैं। एक चट्टान जो सेंसर रीडिंग पर एक अच्छे जलाशय जैसी दिखती है, वह वास्तव में एक सघन, अभेद्य ब्लॉक हो सकती है, और इसके विपरीत भी। यह अस्पष्टता यह जानना मुश्किल बना देती है कि कहाँ ड्रिल करना है या कहाँ चट्टान को तोड़ने और ऊर्जा को मुक्त करने के लिए लाखों डॉलर खर्च करने हैं।

कृष्णा-गोदावरी बेसिन में, भारत के पूर्वी तट पर, एक शोधकर्ता ने इस समस्या को हल करने के लिए कंप्यूटर को वह देखना सिखाया जिसे पहचानने में मानव विशेषज्ञ संघर्ष करते हैं। उन्होंने एक विशिष्ट प्रकार की चट्टान पर ध्यान केंद्रित किया जिसे 'टाइट सैंडस्टोन' (tight sandstone) कहा जाता है, जो गहराई में स्थित है और शेल, सिल्टस्टोन और साफ रेत के साथ मिश्रित है। लक्ष्य एक ऐसी प्रणाली बनाना था जो मानक सेंसर डेटा को देखकर सटीक रूप से अनुमान लगा सके कि वह किस प्रकार की चट्टान से गुजर रही है। ऐसा करने के लिए, उन्होंने कंप्यूटर को केवल सेंसरों के कच्चे आंकड़े (raw numbers) ही नहीं दिए। इसके बजाय, उन्होंने पहले भौतिकी के नियमों का उपयोग करके उन कच्चे आंकड़ों को चट्टान के व्यवहार के अधिक सार्थक विवरणों में बदल दिया, जैसे कि इसकी कठोरता या दबाव के प्रति इसकी प्रतिरोधक क्षमता। फिर उन्होंने इन चट्टानों के प्रकारों को पहचानने के लिए कई अलग-अलग प्रकार के लर्निंग एल्गोरिदम को प्रशिक्षित किया और सिस्टम का परीक्षण उन कुओं पर किया जिन्हें उसने पहले कभी नहीं देखा था, ताकि यह सुनिश्चित हो सके कि वह केवल उत्तरों को रट नहीं रहा है।

शोधकर्ता ने बेसिन के पांच कुओं के डेटा के साथ काम किया, जिनमें से तीन को भूवैज्ञानिकों द्वारा सावधानीपूर्वक लेबल किया गया था जो जानते थे कि प्रत्येक गहराई पर कौन सा चट्टान प्रकार मौजूद था। अन्य दो कुओं को छिपा कर रखा गया था, जो एक ब्लाइंड टेस्ट के रूप में कार्य करते थे ताकि यह देखा जा सके कि क्या कंप्यूटर ने जो सीखा है उसे वह एक नए स्थान पर लागू कर सकता है। शोधकर्ता ने दो दृष्टिकोणों की तुलना की। पहले दृष्टिकोण में केवल मानक मापों का उपयोग किया गया, जैसे कि चट्टान की प्राकृतिक रेडियोधर्मिता, इसकी विद्युत प्रतिरोधकता, और ध्वनि तरंगें कितनी तेजी से यात्रा करती हैं। दूसरे दृष्टिकोण में उन्हीं मापों को लिया गया और उनमें भौतिकी से प्राप्त गणना किए गए गुणों की एक परत जोड़ी गई, जैसे कि ऊर्जा को संग्रहीत करने की चट्टान की क्षमता या टूटने के प्रति उसका प्रतिरोध। उन्होंने चार अलग-अलग मशीन लर्निंग मॉडल का परीक्षण किया, जिसमें कई निर्णय वृक्षों (decision trees) का निर्माण करने वाली विधियाँ और दूसरों की भी शामिल थीं जो अपनी गलतियों को सुधारकर सीखते हैं, ताकि यह देखा जा सके कि कौन सा संयोजन सबसे अच्छा काम करता है।

परिणामों ने दोनों दृष्टिकोणों के बीच एक स्पष्ट अंतर दिखाया। जब मॉडल केवल मानक सेंसर रीडिंग पर निर्भर थे, तो वे मध्यम सफलता के साथ चट्टानों के प्रकारों की पहचान कर सके, जिससे लगभग 66 से 68 प्रतिशत की औसत सटीकता प्राप्त हुई। वे अक्सर उन चट्टानों के मामले में भ्रमित हो जाते थे जो सेंसरों पर समान दिखती थीं लेकिन वास्तव में भिन्न थीं। हालाँकि, जब मॉडल को अतिरिक्त भौतिकी-आधारित विवरण दिए गए, तो उनके प्रदर्शन में उल्लेखनीय उछाल आया। औसत सटीकता बढ़कर 81 से 84 प्रतिशत के बीच हो गई। इससे भी महत्वपूर्ण बात यह है कि विशिष्ट "टाइट सैंडस्टोन" ज़ोनों को सही ढंग से पहचानने की क्षमता, जो सबसे महत्वपूर्ण और खोजने में कठिन हैं, नाटकीय रूप से सुधर गई। सर्वोत्तम मामलों में, मॉडलों ने इन टाइट ज़ोनों की पहचान लगभग हर बार सफलतापूर्वक की, जिससे 97 प्रतिशत से अधिक की सफलता दर प्राप्त हुई। यह सुधार कोई इत्तेफाक नहीं था; सांख्यिकीय परीक्षणों ने पुष्टि की कि यह लाभ वास्तविक और सुसंगत था, और प्रदर्शन में सुधार इतना बड़ा था कि इसकी संभावना बहुत कम थी कि यह संयोग से हुआ हो।

भौतिकी-आधारित दृष्टिकोण इतना अच्छा क्यों काम कर रहा था, इसे समझने के लिए, शोधकर्ता ने एक ऐसी तकनीक का उपयोग किया जो एक स्पॉटलाइट की तरह काम करती है, जो यह प्रकट करती है कि कंप्यूटर अपने निर्णयों को लेने के लिए किन विशिष्ट संकेतों का उपयोग कर रहा है। उन्होंने पाया कि केवल मानक सेंसर रीडिंग अक्सर अस्पष्ट होती थी, लेकिन गणना किए गए गुण चट्टान की आंतरिक संरचना की एक स्पष्ट तस्वीर प्रदान करते थे। उदाहरण के लिए, चट्टान की कठोरता और दबाव के प्रति उसकी प्रतिक्रिया ने एक टाइट, घने सैंडस्टोन को एक साफ, छिद्रपूर्ण सैंडस्टोन से अलग करने में मदद की, भले ही उनके बुनियादी सेंसर रीडिंग लगभग समान हों। अध्ययन ने यह मापने का एक तरीका भी विकसित किया कि कंप्यूटर प्रत्येक भविष्यवाणी के बारे में कितना आश्वस्त है। जब विभिन्न मॉडल एक-दूसरे से असहमत थे, या जब उनका आत्मविश्वास कम था, तो सिस्टम ने उन हिस्सों को मानव समीक्षा के लिए चिह्नित कर दिया। यह एक सुरक्षा जाल बनाता है, यह सुनिश्चित करता है कि भूविज्ञानी कंप्यूटर पर आँख मूंदकर भरोसा करने के बजाय कुएं के सबसे अनिश्चित हिस्सों पर अपना ध्यान केंद्रित करें।

यह कार्य प्रदर्शित करता है कि पारंपरिक सेंसर डेटा को भौतिकी-आधारित गणनाओं के साथ जोड़ने से भूमिगत दुनिया का बहुत अधिक विश्वसनीय मानचित्र तैयार होता है। यह सुझाव देता है कि इन कठिन जलाशयों को खोलने की कुंजी न केवल बेहतर सेंसरों में है, बल्कि उन आंकड़ों की व्याख्या करने के बेहतर तरीकों में भी है जो वे सेंसर प्रदान करते हैं। मशीनों को केवल कच्चे आंकड़ों के बजाय चट्टान के भौतिक गुणों को समझने के लिए सिखाकर, उद्योग इन जलाशओं के बारे में अधिक सटीक भविष्यवाणियां कर सकता है। अध्ययन निष्कर्ष निकालता है कि यह विधि इन जटिल जलाशयों के लक्षण वर्णन के लिए एक शक्तिशाली उपकरण है, बशर्ते कि मॉडलों का नए कुओं पर कड़ाई से परीक्षण किया जाए ताकि यह सुनिश्चित हो सके कि वे वास्तव में भूविज्ञान को सीख रहे हैं न कि केवल डेटा को रट रहे हैं। निष्कर्ष आगामी दशकों में ऊर्जा आवश्यकताओं को पूरा करने वाले गहरे, टाइट संरचनाओं की खोज के लिए एक स्पष्ट मार्ग प्रदान करते हैं।