Learning Across Wells: A Robust Framework for Lithology Classification and Prediction

पृथ्वी की सतह के बहुत नीचे, जहाँ सूर्य का प्रकाश कभी नहीं पहुँचता, चट्टानों की परतों की एक जटिल दुनिया बसी है जो हमारे जल, हमारी ऊर्जा और ग्रह के इतिहास की समझ की कुंजी रखती है। इस छिपी हुई दुनिया में नेविगेट करने के लिए, भूवैज्ञानिक जमीन में खोदे गए गहरे छेदों में लंबी, पतली मशीनों को नीचे उतारते हैं। ये उपकरण, जिन्हें वायरलाइन लॉग (wireline logs) कहा जाता है, जैसे-जैसे वे चट्टान से गुजरते हैं, चट्टान के भौतिक गुणों को मापते हैं, यह रिकॉर्ड करते हैं कि चट्टान कितनी विकिरण उत्सर्जित करती है, वह कितनी सघन है, ध्वनि कितनी तेजी से यात्रा करती है, और उसके कणों के बीच कितना स्थान मौजूद है ताकि तरल पदार्थ समा सकें। इन मापों को पढ़कर, विशेषज्ञ बता सकते हैं कि शेल (shale) नामक एक नरम, कीचड़ वाली चट्टान, तेल या पानी को धारण करने वाले छिद्रपूर्ण और पारगम्य सैंडस्टोन (sandstone), प्रवाह का प्रतिरोध करने वाली सघन रेत, या चूना पत्थर (limestone) जैसी कठोर कार्बोनेट चट्टान के बीच क्या अंतर है। दशकों से, यह कार्य मानव विशेषज्ञों पर निर्भर रहा है जो मैन्युअल रूप से इन कर्व्स (curves) की व्याख्या करते हैं, जो एक धीमी प्रक्रिया है, जिसमें मानवीय त्रुटि की संभावना होती है, और कई अलग-अलग कुओं से प्राप्त हजारों डेटा बिंदुओं को संभालते समय निरंतरता बनाए रखना कठिन होता है।

हाल ही में एक अध्ययन में, शोधकर्ताओं ने यह देखने के लिए प्रयास किया कि क्या कंप्यूटर इस काम को मनुष्यों की तुलना में बेहतर और अधिक विश्वसनीय तरीके से कर सकते हैं, विशेष रूप से एक कुएं से दूसरे कुएं पर जाने के दौरान। उन्होंने मशीन लर्निंग के दो विशिष्ट तरीकों पर ध्यान केंद्रित किया, जो कृत्रिम बुद्धिमत्ता (AI) की एक शाखा है जहाँ कंप्यूटर कठोर, पूर्व-लिखित नियमों का पालन करने के बजाय डेटा से पैटर्न सीखते हैं। पहला तरीका, जिसे रैंडम फॉरेस्ट (Random Forest) कहा जाता है, निर्णय लेने वाली एक समिति की तरह काम करता है। यह कई सरल निर्णय वृक्षों (decision trees) का निर्माण करता है, जिनमें से प्रत्येक डेटा को थोड़ा अलग तरीके से देखता है, और फिर अंतिम निष्कर्ष पर पहुँचने के लिए उनके उत्तरों को जोड़ता है। यह दृष्टिकोण अपने मजबूत और अव्यवस्थित डेटा के प्रति सहनशील होने के लिए जाना जाता है। दूसरा तरीका, जिसे के-नियरेस्ट नेबर्स (K-Nearest Neighbors) के रूप में जाना जाता है, समानता के एक सरल सिद्धांत पर काम करता है। यह एक नए, अज्ञात चट्टान के नमूने को देखता है और पूछता है, "मेरे डेटाबेस में कौन से ज्ञात नमूने इसके सबसे अधिक समान दिखते हैं?" फिर यह नए नमूने को उसके निकटतम पड़ोसियों के समान लेबल दे देता है। हालाँकि दोनों तरीकों का पहले भी उपयोग किया गया है, लेकिन उन्हें पूरी तरह से नए कुएं का उपयोग करके, विभिन्न कुओं के डेटा का उपयोग करके, चट्टान के प्रकारों की भविष्यवाणी करने के विशिष्ट, चुनौतीपूर्ण परिदृश्य में आपस में बहुत कम परखा गया था।

शोधकर्ताओं ने उत्तरी सागर (North Sea) के चार तेल और गैस कुओं से डेटा एकत्र किया, जो एक जटिल भूविज्ञान के लिए जाना जाता है। उनके पास इन विशिष्ट छेदों से भौतिक चट्टान के नमूनों, या "कोर" (cores) तक पहुँच नहीं थी जो एक सटीक आधार (ground truth) के रूप में काम कर सकें। इसके बजाय, उन्होंने चट्टान के प्रकारों को लेबल करने के लिए वायरलाइन मापों के आधार पर नियमों का एक सुसंगत सेट बनाया। उदाहरण के लिए, उन्होंने तय किया कि उच्च विकिरण रीडिंग वाली किसी भी चट्टान को शेल माना जाएगा, जबकि कम विकिरण और विशिष्ट घनत्व एवं सरंध्रता (porosity) स्तरों वाली चट्टानों को सैंडस्टोन या टाइट सैंड (tight sand) के रूप में वर्गीकृत किया जाएगा। उन्होंने तीन कुओं का उपयोग अपने कंप्यूटर मॉडल को सिखाने के लिए किया, जिससे उन्हें वायरलाइन मापों और इन चट्टान लेबल के बीच संबंध सीखने दिया। चौथे कुएं को पूरी तरह से छिपा कर रखा गया था, जो एक 'ब्लाइंड टेस्ट' के रूप में कार्य करता था ताकि यह देखा जा सके कि क्या मॉडल वास्तव में उस नए वातावरण में अपने ज्ञान का सामान्यीकरण कर सकते हैं जिसे उन्होंने पहले कभी नहीं देखा था।

इस ब्लाइंड टेस्ट के परिणाम चौंकाने वाले थे। जब मॉडलों से अनदेखे कुएं में चट्टान के प्रकारों की भविष्यवाणी करने के लिए कहा गया, तो रैंडम फॉरेस्ट विधि ने पूर्ण स्कोर प्राप्त किया, जिसने शेल, सैंडस्टोन और टाइट सैंड के हर एक नमूने की सही पहचान की। इसने सौ प्रतिशत की सटीकता हासिल की। इसके विपरीत, के-नियरेस्ट नेबर्स विधि, जो बहुत अच्छी थी, फिर भी गलतियाँ करती है। इसने अधिकांश चट्टान प्रकारों की सही पहचान की, लेकिन शेल के साथ थोड़ा संघर्ष किया, कुछ शेल को सandstone या टाइट सैंड के रूप में गलत वर्गीकृत किया। इसके परिणामस्वरूप लगभग अट्ठानवे दशमलव पाँच प्रतिशत की समग्र सटीकता प्राप्त हुई। यह अंतर छोटा लग सकता है, लेकिन भूविज्ञान के संदर्भ में, जहाँ चट्टान की पतली परतें यह निर्धारित कर सकती हैं कि कुआं उत्पादक होगा या सूखा, वे कुछ गलतियाँ मायने रखती हैं। शोधकर्ताओं ने पाया कि रैंडम फॉरेस्ट मॉडल न केवल थोड़ा बेहतर था; यह हर उस मामले में लगातार सही था जहाँ दोनों मॉडलों के बीच असहमति थी।

यह सुनिश्चित करने के लिए कि यह केवल एक विशिष्ट कुएं के साथ मिली कोई किस्मत नहीं थी, शोधकर्ताओं ने एक कठोर तरीके से परीक्षण को दोहराया। उन्होंने बारी-बारी से प्रत्येक चार कुओं को छिपाया, अन्य तीन पर अपने मॉडल को प्रशिक्षित किया, और फिर छिपे हुए कुएं पर परीक्षण किया। इस "लीव-वन-आउट" (leave-one-out) दृष्टिकोण ने पुष्टि की कि रैंडम फॉरेस्ट मॉडल हर एक परिदृश्य में श्रेष्ठ था। भले ही परीक्षण कुएं में प्रशिक्षण कुओं की तुलना में बहुत अलग विशेषताएं थीं—जैसे कि औसत रूप से बहुत अधिक विकिरण रीडिंग होना—रैंडम फॉरेस्ट मॉडल ने अनुकूलन किया और सटीक बना रहा। के-नियरेस्ट नेबर्स मॉडल, हालाँकि, इन अंतरों का सामना करने पर काफी लड़खड़ा गया। ऐसा इसलिए हुआ क्योंकि के-नियरेस्ट नेबर्स विधि डेटा के सटीक संख्यात्मक पैमाने पर बहुत अधिक निर्भर करती है; यदि ड्रिलिंग की विभिन्न स्थितियों या टूल अंशांकन (calibration) के कारण कुओं के बीच संख्याएँ थोड़ी बदल जाती हैं, तो नमूनों के बीच की "दूरी" बदल जाती है, जिससे भ्रम पैदा होता है। इसके विपरीत, रैंडम फॉरेस्ट मॉडल डेटा के सापेक्ष क्रम और थ्रेशोल्ड (thresholds) को देखता है, जो इसे प्राकृतिक विविधताओं के प्रति बहुत अधिक लचीला बनाता है।

अध्ययन ने इस पर भी प्रकाश डाला कि कौन से माप वास्तव में कंप्यूटरों को उनके निर्णय लेने में मदद कर रहे थे। मॉडल इस बात पर सहमत थे कि गामा रे (gamma ray) माप, जो प्राकृतिक विकिरण का पता लगाता है, चट्टान के प्रकारों को अलग करने के लिए सबसे महत्वपूर्ण सुराग था। यह समझ में आता है, क्योंकि चट्टानों को लेबल करने के लिए उपयोग किए गए नियम शेल को बाकी सब से अलग करने के लिए इसी रीडिंग पर बहुत अधिक निर्भर थे। डेंसिटी (density) और पोरोसिटी (porosity) माप भी महत्वपूर्ण थे, जो ढीले रेत और टाइट, संकुचित रेत के बीच अंतर करने में मदद करते थे। आश्चर्यजनक रूप से, सोनिक ट्रांजिट टाइम (sonic transit time), जो यह मापता है कि ध्वनि चट्टान के माध्यम से कितनी तेजी से यात्रा करती है, ने निर्णय लेने की प्रक्रिया में लगभग कोई योगदान नहीं दिया। मॉडलों ने इस कर्व को अनदेखा करना सीख लिया क्योंकि, इस अध्ययन में उपयोग किए गए विशिष्ट नियमों के तहत, इसने चट्टान के प्रकारों के बीच अंतर करने में कोई मदद नहीं की। यह निष्कर्ष मूल्यवान है क्योंकि यह सुझाव देता है कि समान स्थितियों में, भूवैज्ञानिकों को एक विश्वसनीय चट्टान वर्गीकरण प्राप्त करने के लिए हर संभव माप एकत्र करने की आवश्यकता नहीं हो सकती है।

अंततः, यह शोध प्रदर्शित करता है कि मशीन लर्निंग पृथ्वी के उपसतह को समझने के लिए एक शक्तिशाली उपकरण हो सकती है, लेकिन एल्गोरिदम का चुनाव अत्यंत महत्वपूर्ण है। अध्ययन दिखाता है कि जबकि सरल समानता-आधारित तरीके नियंत्रित, एकल-कुआं स्थितियों में अच्छा काम कर सकते हैं, वे विभिन्न स्थितियों वाले अलग-अलग कुओं के बीच ज्ञान स्थानांतरित करने के लिए संघर्ष करते हैं। रैंडम फॉरेस्ट दृष्टिकोण इस कार्य के लिए एक अधिक मजबूत और विश्वसनीय ढांचा साबित हुआ, जो वास्तविक दुनिया के भूविज्ञान की जटिल और परिवर्तनशील वास्तविकता को बिना किसी जटिल समायोजन के संभालने में सक्षम है। यह सिद्ध करके कि ये मॉडल विभिन्न वातावरणों में चट्टान के पैटर्न को पहचानने के लिए सीख सकते हैं, यह कार्य भूवैज्ञानिक अन्वेषण के एक महत्वपूर्ण हिस्से को स्वचालित करने के लिए एक ठोस आधार प्रदान करता है, जिससे यह प्रक्रिया संभावित रूप से तेज़, अधिक सुसंगत और व्यक्तिगत विशेषज्ञों की व्यक्तिपरक व्याख्या पर कम निर्भर हो सकती है।