Combinatorial feature engineering and deterministic rock typing for seismic facies prediction in the mixed clastic-carbonate Asmari formation, SW Iran

技術要約：アスマリ層における地震波ファシエス予測のための組合せ的特徴量エンジニアリングと決定論的岩石タイプ分け

問題提起
イラン南西部の much 複雑な混合砕屑岩・炭酸塩岩系であるアスマリ層のような、高度に不均質なリザーバーにおいて、正確なリザーバー岩石タイプ（Rock Typing）を特定することは、地震波リザーバーキャラクタリゼーションにおける極めて重要な課題である。従来のワークフローは、しばに電気的ファシエス（electrofacies）を生成するために教師なし統計クラスタリングに依存しているが、これらは直接的な岩石物理学的意味に欠けることが多く、流体流動ポテンシャルが類似している非生産的な岩石を分離してしまうことがある。さらに、生の地震波属性は、これらの複雑なシステムに固有の音響的曖昧さを解決できないことが多い。線形相関フィルタやステップワイズ回帰といった標準的な特徴量選択手法は、混合岩石に見られる冗長性や非線形な音響的オーバーラップを処理するには不十分であることが多く、不均質な背景の中から生産的な「スイートスポット」を予測する際の不確実性を高める原因となっている。

手法
本研究は、決定論的な岩石物理学とアンサンブルベースの特徴量エンジニアリングを橋渡しする統合的なワークフローを提案している。手法は主に以下の4つの段階で進行する：

1. 決定論的リソ・リザーバー岩石タイプ分け：
   教師なしクラスタリングの代わりに、マンスリ油田の18本の井戸から得られた厳格な岩石物理学的カットオフに基づき、3つの特定のリザーバークラスを定義する：

• クラス1（ペイサンド）： 高い空隙率（$\ge$ 12%）および砂体含有率（$\ge$ 50%）を持つ砕屑岩区間。
• クラス2（多孔質炭酸塩岩）： 有効空隙率 $\ge$ 8% の生産的な石灰岩／ドロマイト区間。
• クラス3（タイトな背景）： すべての非生産的区間（タイトな砂岩、タイトな炭酸塩岩、頁岩、アンハイドライト）を統合した単一クラス。この統合は極めて重要であり、組成は異なるが音響的に類似している非生産的な岩石を単一の背景クラスとしてグループ化することで、弾性的非一意性を緩和し、モデルが人工的な区別を強制することを防ぐ。

2. 地震波属性の生成と前処理：
   ワークフローでは、モデルベースの音響インピーダンス（AI）、推定空隙率、および25の入力属性（周波数、位相、振幅、および類似度尺度を含む23の追加の地震波属性）を利用する。

3. 組合せ的特徴量エンジニアリング（CFE）：
   生の属性の限界に対処するため、著者らは組合せ的多分類スキームを導入している。単に生の属性のサブセットを選択するのではなく、強化された特徴空間を生成する：

• 3クラスの問題を、6つのバイナリ分割（3つのone-versus-restおよび3つのpairwise分割）に分解する。
• 4つの異なる分類アルゴリズム（正則化ロジスティック回帰、RBFカーネルを用いたサポートベクターマシン、浅い順伝播ニューラルネットワーク、およびランダムフォレスト）を、元の25の属性を用いて各6つの分割に対して学習させる。
• 24個のバイナリ分類器（4つのアルゴリズム $\times$ 6つの分割）からの連続的な判別出力（スコアまたは確率）を、新しい「エンジニアリングされた」属性として保持する。
• これにより、24次元のエンジニアリングされた特徴空間が生成され、これが元の属性と組み合わされて候補セットを形成する。

4. 次元削減と分類：
   累積分散の95%を保持しながら次元を削減するために主成分分析（PCA）を適用する。最適化された特徴量セット（24個のエンジニアリングされた属性を9つの主成分に削減したもの）は、CFE-ANNに入力される。モデルの性能は、ブインドウェル（井戸096）および信頼度フィルタリングされたファシエスセクションを用いて、従来のANN（生の属性を使用）および商用の確率的ニューラルネットワーク（PNN）と比較して評価される。

主な結果
ブインドウェルにおける評価は、提案されたCFE-ANNワークフローの優位性を実証している：

• 精度： CFE-ANNは**76.2%**の全体精度を達成し、従来のANN（50.8%）およびPNN（49.2%）を大幅に上回った。
• クラスバランス： ベースラインモデルが深刻なクラス不均衡の失敗（例：従来のANNはクラス2でリコール4.8%に崩壊し、PNNはクラス2を過剰予測した）に陥ったのに対し、CFE-ANNは3つのクラスすべてにおいてバランスの取れた性能を維持した（リコール：クラス1 84.2%、クラス2 66.7%、クラス3 78.3%）。
• 統計的指標： CFE-ANNは0.64のCohen's kappa（実質的な一致）および0.64のMatthews Correlation Coefficient (MCC) を達成したが、ベースラインモデルはチャンスレベル付近（kappa $\approx$ 0.25）を漂っていた。
• 地質学的整合性： 地震波ラインに沿った空間予測は、CFE-ANNが既知の互層的な砂岩・炭酸塩岩層序と一致する、横方向に連続的で地質学的に妥当なファシエスのアーキテクチャを生成したことを示した。対照的に、PNNは断片的な結果を生み出し、従来のANNは砂体の過剰予測を行い、炭酸塩岩区間を抑制した。
• 信頼度フィルタリング： 最大確率と2番目に高い確率の比率に基づく分類信頼度の統合により、フィルタリングされたファシエスのボリュームを作成することが可能となり、予測の信頼性が高い領域を強調し、曖昧な領域を露出させることができた。

意義と主張
本論文の主な貢献は、決定論的な岩石物理学的制約と組合せ的特徴量エンジニアリング・アーキテクチャを統合することで、「弾性的曖昧さ」の問題を解決することに成功した点にあると主張している。

• ターゲットの定義： 統計的なクラスタリングではなく、岩石物理学に基づいた単一の背景クラスへの統合により、ターゲットとなるラベルが地震波で解像可能であり、かつ物理的に意味のあるものとなる。
• 特徴量の変換： 本研究は、マルチ分類器アンサンブルを通じて地震波の特徴空間を変換すること（24の派生属性の生成）が、従来の属性選択よりも効果的であることを示している。このアプローチは、生の属性では解決できない岩石タイプ間の非線形な境界を明示的に捉える。
• 信頼性： 本ワークフローは、複雑なリザーバーでよく見られるクラス不均衡の失敗を克服する、堅牢な地震波ファシエス予測手法を提供する。信頼度フィルタリングの導入は、予測の信頼性に関する極めて重要な、しばしば見落とされがちな指標を提供し、解釈者が高信頼度の地質学的トレンドと曖昧なゾーンを区別することを可能にする。

著者らは、厳格なブール型のカットオフを用いることは、連続的な地質学的変化に対して明確な境界を課すことになるものの、提案されたフレームワークは、複雑な混合砕屑岩・炭酸塩岩系において、従来の機械学習ベースラインと比較して予測の信頼性を大幅に向上させると結論付けている。