🤖 machine learning

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

Dit artikel introduceert OpenSeisML, een gecureerde verzameling van echte seismische en boorlog-datasets uit het Nationaal Gegevensarchief van het VK, met een geautomatiseerde pijplijn voor tijddiepteconversie, om de schaarste aan publieke gegevens aan te pakken en de training van generatieve AI-modellen voor seismische inversie en onzekerheidskwantificering mogelijk te maken.

Oorspronkelijke auteurs: Ipsita Bhar, Huseyin Tuna Erdinc, Thales Souza, Charles Jones, Felix J. Herrmann

Gepubliceerd 2026-05-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ipsita Bhar, Huseyin Tuna Erdinc, Thales Souza, Charles Jones, Felix J. Herrmann

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een robotkok te leren hoe hij de perfecte taart moet bakken. Om dit te doen, moet de robot duizenden echte taarten proeven om te begrijpen hoe bloem, suiker en eieren met elkaar interageren. In de wereld van olie- en gasexploratie zijn de "taarten" echter ondergrondse gesteentevormingen, en de "recepten" zitten verborgen in privékluisjes van bedrijven. Het merendeel van de hoogwaardige data die nodig is om deze AI-koks te trainen, is opgesloten, waardoor onderzoekers moeten oefenen met nep, door computers gegenereerde taarten die niet helemaal smaken als het echte werk.

Dit artikel introduceert OpenSeisML, een nieuwe, open-source "keuken" gevuld met echte, hoogwaardige seismische data en boorputlogs, speciaal ontworpen om de volgende generatie AI te trainen voor het vinden van olie en gas.

Hier is een uitleg van wat ze hebben gedaan, met behulp van eenvoudige analogieën:

Het Probleem: Het Dilemma van de "Nep-Taart"

Al geruime tijd proberen onderzoekers AI te trainen om te achterhalen wat er ondergronds zit met behulp van synthetische data (computersimulaties).

Het Kompas-model & SEAM: Dit zijn als zeer gedetailleerde, realistisch ogende nep-taarten. Ze zien er goed uit, maar er is slechts één versie van elk. Als je je AI traint op slechts één nep-taart, onthoudt die die specifieke taart en faalt hij wanneer hij een iets andere echte taart ziet.
OpenFWI: Dit is als een enorme bibliotheek van nep-taarten met verschillende vormen. Hoewel er veel van zijn, zijn ze nog steeds gemaakt in een gecontroleerd laboratorium. Ze missen de rommelige, chaotische "smaak" van echte geologie.

Het resultaat? AI-modellen die op deze nep-taarten zijn getraind, hebben vaak moeite wanneer ze geconfronteerd worden met de rommelige realiteit van de werkelijke Aarde.

De Oplossing: De Bibliotheek met "Echte Taarten"

De auteurs gingen naar het UK National Data Repository (NDR), een door de overheid beheerde openbare bibliotheek met geologische data uit de echte wereld. Ze bouwden een geautomatiseerde pijplijn om echte seismische surveys (3D-afbeeldingen van de ondergrond) en echte boorputlogs (metingen uit daadwerkelijke boorgaten) op te halen.

Zie deze pijplijn als een superefficiënte assemblagelijn die deze rauwe ingrediënten reinigt en voorbereidt zodat een AI ze direct kan "eten".

De Assemblagelijn: Hoe Ze De Data Voorbereidden

Het artikel beschrijft een vierstapsproces om ruwe data om te zetten in trainingsmateriaal:

Het Verzamelen van de Ingrediënten (Datacollectie):
Ze downloadden enorme 3D-seismische datasets en bijbehorende boorputlogs uit het VK. Ze waren kieskeurig en kozen voornamelijk data uit na de jaren 1990, omdat oudere data als "verlopen ingrediënten" was – rommelig, inconsistent en moeilijk automatisch te gebruiken.
Het Uitlijnen van de Kaart (Coördinatenstelsel):
Stel je voor dat je probeert een satellietfoto van een stad te overlappen met een handgetekende kaart van een metronetwerk. Als de schalen niet overeenkomen, zullen de lijnen niet samenvallen. De onderzoekers zorgden ervoor dat alle seismische data en de boorputlogs op exact dezelfde coördinatenkaart stonden, zodat de AI precies weet waar de boorput zich bevindt ten opzichte van de seismische afbeelding.
De Tijd-Reis Conversie (Tijd-naar-Diepte):
Dit is het lastigste deel. Seismische data komt vaak in "tijd" (hoe lang het een geluidsgolf kostte om terug te kaatsen), maar boorgaten meten "diepte" (hoeveel meter naar beneden).
- De Analogie: Het is alsof je probeert een recept om te zetten dat zegt "bak 10 minuten" in "bak tot het centrum 200 graden bereikt". Je hebt een conversietabel nodig.
- De Methode: Ze gebruikten "checkshot"-data (metingen die precies aangeven hoe lang het geluid kost om naar specifieke diepten te reizen) om een glad snelheidsmodel te bouwen. Denk hierbij aan het maken van een "snelheidskaart" van de ondergrond. Ze gebruikten een wiskundig hulpmiddel genaamd Radiale Basisfuncties (RBF) om de gaten tussen de boorgaten op te vullen, waardoor een gladde, 3D-snelheidskaart ontstaat die fungeert als vertaler tussen tijd en diepte.
Het Snijden van het Brood (Trainingsdata Creëren):
Zodra de 3D-data naar diepte was omgezet, sneden ze deze in 2D-stroken die precies door de boorgaten liepen. Vervolgens herschalen ze deze stroken naar een standaardformaat (zoals het herschalen van alle foto's naar 1080p) zodat de AI er consistent van kon leren.

Het Resultaat: Een Nieuwe AI-Kok

De onderzoekers testten deze nieuwe dataset door een Diffusiemodel te trainen (een type Generatieve AI die patronen leert om nieuwe afbeeldingen te creëren).

De Test: Ze trainden de AI op slechts 40 echte boorgaten.
De Uitkomst: De AI slaagde erin de statistische "smaak" van de ondergrond te leren. Het kon nieuwe, realistische snelheidsmodellen genereren die zeer leken op de werkelijke grondwahrheid.
Het Doel: Het ultieme doel is om deze AI te gebruiken om duizenden "wat-als"-scenario's te creëren. Dit helpt geologen de onzekerheid te begrijpen van wat er ondergronds ligt, in plaats van hen slechts één enkele gok te geven.

Samenvatting

Kortom, het artikel zegt: "Stop met het trainen van je AI op nep, single-versie simulaties. We hebben een geautomatiseerde pijplijn gebouwd om echte seismische data uit het VK te oogsten, te reinigen en te organiseren. Hierdoor kan AI de ware, rommelige, statistische aard van de Aarde leren, wat leidt tot betere voorspellingen voor seismische inversie."

Ze werken momenteel met 2D-stroken en plannen om dit op te schalen naar 3D en meer boorgaten op te nemen (tot 1.000) om de AI nog slimmer te maken.

Technische Samenvatting: OpenSeisML

Probleemstelling
De ontwikkeling en evaluatie van generatieve AI (Gen-AI)-workflows voor seismische inversie worden momenteel gehinderd door een schaarste aan realistische, hoogwaardige snelheidsmodellen. Hoewel machine learning de seismische inversie heeft versneld door de rekenkosten van iteratieve methoden te verlagen, zijn de meeste beschikbare hoogwaardige data privé eigendom van olie- en gasbedrijven. Bestaande publieke benchmarks, zoals het Compass-model, SEAM en OpenFWI, lijden onder aanzienlijke beperkingen: ze zijn vaak beperkt tot enkele deterministische realisaties, missen stochastische variabiliteit, of vertrouwen op synthetische data die de volledige geologische complexiteit en variabiliteit van echte veldomstandigheden niet vastlegt. Bijgevolg lopen modellen die op deze datasets zijn getraind het risico om te overfitten op specifieke geologieën of synthetische opstellingen, en worstelen ze om te generaliseren naar diverse ondergrondse omgevingen.

Methodologie
Om deze gaten op te vullen, presenteren de auteurs OpenSeisML, een geautomatiseerde data-curatiepijplijn die is ontworpen om grootschalige, echte seismische en boorputlog-datasets te genereren vanuit het Britse Nationale Data-archief (NDR). De workflow bestaat uit vier hoofdbestanddelen:

Datacollectie: De pijplijn maakt gebruik van de UK-NDR-portaal om 3-D gemigreerde seismische data (SEG-Y) en bijbehorende boorputdata (LAS en checkshot-bestanden) via API's in bulk te downloaden. Om kwaliteit en reproduceerbaarheid te waarborgen, geven de auteurs de voorkeur aan surveys die na de jaren 1990 zijn uitgevoerd om inconsistente headers en onzekere boorputcoördinaten te vermijden, hoewel een klein aantal surveys van voor 1990 na verificatie is opgenomen.
Preprocessing en Uitlijning: Seismische volumes en boorputdata worden uitgelijnd binnen een gemeenschappelijk coördinatenreferentiestelsel (CRS). Om 3-D seismische data op een regelmatig rooster weer te geven, schatten de auteurs de surveygrenzen in met behulp van een concave hull om rekening te houden met onregelmatige acquisitiegeometrieën, en extraheren ze het grootste aaneengesloten rechthoekige gebied met regelmatige roosters.
Tijd-naar-Diepte-conversie: Aangezien post-stack seismische data zich in het tijddomein kunnen bevinden terwijl boorputlogs in diepte zijn, is een conversie noodzakelijk. De auteurs gebruiken checkshot-data (die diepte en twee-weg reistijden bieden) om gemiddelde snelheden te berekenen. Deze snelheden worden ruimtelijk geïnterpoleerd met behulp van een Radiale Basisfunctie (RBF) om een glad 3-D gemiddeld snelheidsvolume te construeren. Dit volume wordt gebruikt om tijd-gemigreerde seismische data naar het dieptedomein te converteren. De auteurs merken expliciet op dat het doel een consistente tijd-diepte-mapping is in plaats van een uiterst nauwkeurig intervalsnelheidsmodel, met als doel het totale statistische gedrag van het snelheidsveld vast te leggen.
Generatie van Trainingsdata: De laatste stap omvat het extraheren van 2-D seismische secties in het dieptedomein langs "quasi-2D lijnen" die door geselecteerde boorputtrajecten lopen. Deze secties worden opnieuw bemonsterd naar een $256 \times 512$ rooster met behulp van een 2D FFT met een glad laagdoorlaatfilter om de resoluties tussen de seismische traces en de doorgaans fijner bemonsterde boorputlogs te harmoniseren. De uiteindelijke dataset bestaat uit 2-D seismische secties geïntegreerd met boorputcontrole, opgeslagen in HDF5-formaat.

Belangrijkste Bijdragen

OpenSeisML Dataset: Een gecurateerde collectie echte seismische datasets uit het Noordzeebekken, specifiek ontworpen om Gen-AI-workflows voor seismische inversie te ondersteunen.
Geautomatiseerde Pijplijn: Een reproduceerbare, geautomatiseerde workflow voor data-curatie die de complexiteiten van het uitlijnen van echte seismische en boorputdata aanpakt, inclusief tijd-naar-diepte-conversie met behulp van snelheidsmodellen afgeleid van checkshots.
Statistische Representatie: In tegenstelling tot eerdere benchmarks die enkele realisaties bieden, legt deze dataset de statistische verdeling van ondergrondse eigenschappen vast, waardoor de synthese van meerdere statistisch consistente realisaties voor kwantificering van onzekerheid mogelijk wordt.
Multi-parameter Ondersteuning: De dataset bevat niet alleen snelheid, maar ook petrofysische metingen (gamma-ray, neutron, dichtheid, sonisch en weerstandlogs), waardoor beperkingen worden opgelegd aan lithologie, porositeit en vloeistofeigenschappen.

Resultaten
De auteurs hebben voorlopige experimenten uitgevoerd waarbij ze een op diffusie gebaseerd generatief model trainden op de gecurateerde OpenSeisML-data.

Het model werd aanvankelijk getraind op de Compass-dataset voor een baseline-vergelijking en vervolgens opnieuw getraind met data van slechts 40 boorputten uit de OpenSeisML-collectie.
De resultaten toonden aan dat het model realistische snelheidsmodelverdelingen kon genereren die nauw overeenkwamen met grondwaarheiddata afgeleid van de boorputten.
De auteurs merken op dat deze resultaten voorlopig zijn; toekomstig werk omvat het opschalen van de training naar ten minste 1.000 echte boorputlogs om de nauwkeurigheid en generalisatie verder te verbeteren.

Betekenis en Beweringen
Het artikel beweert dat OpenSeisML de kritieke bottleneck van dataschaarste aanpakt bij de ontwikkeling van betrouwbare en reproduceerbare ML-modellen voor geofysica. Door gebruik te maken van echte velddata in plaats van synthetische of deterministische modellen, beoogt het framework de ware statistische kenmerken en geologische complexiteit van ondergrondse omstandigheden vast te leggen. De auteurs positioneren dit werk als een fundamentele stap naar het trainen van generatieve modellen die kunnen fungeren als priors voor seismische inversie en onzekerheidskwantificering faciliteren. Ze benadrukken dat de huidige evaluatie in een 2D-setting plaatsvindt, met plannen om het framework uit te breiden naar 3D, en wijzen op het potentieel van deze datasets om in de toekomst multi-parameter inversie-algoritmen te evalueren.