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

地球の表面深く、世界のエネルギーを蓄える広大な堆積盆地において、地質学者たちは根深い課題に直面している。それは、流体の流れを拒む岩石の中に閉じ込められた石油やガスを見つけ出すことである。数十年にわたり、探査は流体が容易に移動できるスポンジのような多孔質の貯留層に焦点を当ててきた。しかし今日、それら容易なターゲットが減少するにつれ、業界は「タイト（緻密）」な貯留層へと関心を向けている。これらは、孔隙があまりにも小さく、それらの間の接続部があまりにも狭いため、石油やガスがその場にロックされてしまい、抽出には大規模なエンジニアリングの努力を必要とする岩石形成である。これらのタイトなゾーンを特定することは困難である。なぜなら、地下を観察するために用いられるツール（ボアホール内に投入される長いセンサーの列）は、しばしば混乱を招く信号を発するためである。センサーの読み取り値では良質な貯留層に見える岩石が、実際には緻密で不浸透性のブロックであったり、あるいはその逆であったりすることがある。この曖昧さが、どこに掘削すべきか、あるいは岩石を破砕してエネルギーを放出するためにどこに数百万ドルを投じるべきかを判断することを難しくしている。

インド東海岸のクリシュナ・ゴダバリ盆地において、ある研究者が、人間の専門家が判別に苦慮するものをコンピュータに教えることで、この問題に取り組んだ。彼らは、地下深くの位置にあり、シェール、シルト岩、およびクリーンな砂が混在している「タイト砂岩」と呼ばれる特定の種類の岩石に焦点を当てた。目標は、標準的なセンサーデータを見て、それがどの種類の岩石を通過しているのかを正確に予測できるシステムを作成することであった。そのためには、単にセンサーからの生の数値をコンピュータに読み込ませるだけではなかった。まず、物理法則を用いて、それらの生の数値を、岩石の硬さや圧縮に対する抵抗性といった、より意味のある挙動の新しい記述へと変換した。その後、さまざまな種類の学習アルゴリズムを用いて、それらの岩石のパターンの認識を訓練し、単に答えを暗記しているのではないことを確認するために、見たことがないウェル（井戸）を用いてシステムをテストした。

研究者は、この盆地内の5つのウェルに関するデータを用いたが、そのうち3つは、あらゆる深さにおいてどの岩石タイプが存在するかを正確に把握している地質学者によって慎重にラベル付けされていた。残りの2つのウェルは、学習した内容を新しい場所に応用できるかどうかを確認するためのブラインドテストとして隠されたままにされた。研究者は2つのアプローチを比較した。第一のアプローチは、岩石の自然な放射能、電気抵抗、および音波の伝搬速度といった標準的な測定値のみを使用した。第二のアプローチは、それらと同じ測定値に、物理学から導き出された計算された特性（例えば、エネルギーを蓄える能力や破壊に対する抵抗性など）のレイヤーを加えたものである。彼らは、多くの決定木を構築する手法や、自らの間違いを修正しながら学習する手法を含む4つの異なる機械学習モデルをテストし、どの組み合わせが最もうまく機能するかを調べた。

結果は、2つのアプローチの間に明確な差があることを示した。モデルが標準的なセンサーの読み取り値のみに依存していた場合、岩石のタイプを中程度の成功率で特定でき、平均精度は約66から68パーセントであった。それらは、センサー上では似ているように見えるが実際には異なる岩石に対して混乱することが多かった。しかし、モデルに物理学に基づいた追加の記述を与えると、性能は大幅に跳ね上がった。平均精度は81から84パーセントに上昇した。より重要なことに、最も重要かつ発見が困難な「タイト砂岩」ゾーンを正しく特定する能力が劇的に向上した。最良のケースでは、モデルはこれらのタイトなゾーンをほぼ毎回正確に特定し、成功率は97パーセントを超えた。この向上は偶然の産物ではなく、統計的テストにより、その利得が現実的かつ一貫したものであることが確認された。つまり、パフォーマンスの向上は非常に大きく、偶然に起こる可能性は極めて低いというものである。

物理学に基づいたアプローチがなぜこれほど上手くいったのかを理解するために、研究者は、コンピュータが意思決定を行う際にどの特定のヒントを使用しているかを明らかにする「スポットライト」のようなテクニックを用いた。彼らは、標準的なセンサーの読み取り値だけではしばしば曖昧であるが、計算された特性が岩石の内部構造のより鮮明な画像を提供することを発見した。例えば、岩石の硬さや圧力への反応は、基本となるセンサーの読み取り値がほぼ同一であったとしても、タイ密な砂岩とクリーンで多孔質な砂岩を区別するのに役立った。また、研究は、コンピュータが各予測に対してどの程度の自信を持っているかを測定する方法も開発した。異なるモデル間で意見が分かれた場合や、信頼性が低い場合、システムはそれらのセクションを人間によるレビュー用にフラグを立てる。これにより、地質学者がコンピュータを盲信することなく、最も不確実な部分に注意を向けることができる安全網が構築される。

この研究は、伝統的なセンサーデータと物理学に基づいた計算を組み合わせることが、地下の世界のより信頼できる地図を作成することを証明している。これは、困難な貯留層を解き明かす鍵が、より優れたセンサーにあるのではなく、センサーが提供するデータをより良く解釈する方法にあることを示唆している。機械に単なる生の数値ではなく、岩石の物理的特性を理解させることで、業界は石油やガスがどこに閉じ込められているかについて、より正確な予測を行うことができる。本研究は、モデルが単にデータを暗記しているのではなく、真に地質学を学習していることを確認するために、新しいウェルで厳格にテストされることを条件として、この手法が複雑な貯留層を特徴付けるための強力なツールであることを結論づけている。これらの知見は、今後数十年のエネルギー需要を支えるであろう、深くタイトな形成層を探査するための明確な道筋を提示している。