Combinatorial feature engineering and deterministic rock typing for seismic facies prediction in the mixed clastic-carbonate Asmari formation, SW Iran
本文提出了一种结合确定性岩石类型划分与组合特征工程方案的集成工作流，该方案将原始地震属性转化为具有辨别力的特征空间，与传统方法相比，显著提高了非均质阿斯马里（Asmari）地层的地震相预测精度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在地球深处，石油和天然气被困在多孔岩石中，这些岩石就像天然的海绵，将流体保存在其微小的孔隙内。为了寻找这些资源，地球科学家利用从地表发送的声波在地下层进行反射，从而创建出地下岩石类型的模糊三维图像。然而，在不同种类的岩石混合在一起的复杂区域，这种图像往往会变得令人困惑。声波难以区分充满石油的岩石与坚硬且无用的岩石，即便它们在显微镜下看起来截然不同。这种歧义性使得人们难以确定准确的钻探位置，从而导致代价高昂的错误。挑战不仅在于看到岩石，还在于如何正确识别哪些特定类型的岩石确实能产油，而哪些不能，尤其是当这些岩石以砂岩和石灰岩的混乱混合形式分层存在时。
在伊朗西南部的曼苏里（Mansuri）油田，一个研究小组针对被称为阿斯马里（Asmari）的地层开展了研究，这是一个由砂岩和碳酸盐岩组成的复杂混合体。该团队并没有依赖于基于模糊模式对岩石进行分组的标准计算机方法，而是首先使用严格的物理规则来定义他们寻找的目标。他们将岩石分为三类明确的类别：生产性砂岩、多孔石灰岩以及不含油的“致密”背景岩石。通过将所有非生产性岩石归入单一类别，他们消除了通常困扰这类混合系统的混乱感。这为他们的计算机模型创造了一个清晰、可靠的学习目标，确保机器不会试图去区分那些听起来相似但表现却不同的岩石。
随后，研究人员面临了下一个障碍：来自地震波的原始数据包含过多的噪声和重复信息，无法单独使用。他们并没有简单地挑选出表现最好的几个数据点，而是发明了一种处理信息的新方法。他们使用四种不同类型的计算机学习算法，从六个不同的维度观察数据，从而创建了一套包含二十四个高度专业化特征的新型特征集。这可以想象成将一张模糊的照片通过几种不同的滤镜进行处理，每个滤镜都突出显示一个特定的细节，然后将这些结果合并成一张清晰无比的图像。这套经过增强的新型数据集随后被输入到一个复杂的神经网络（一种旨在识别模式的计算机程序）中，用以预测整个油田的岩石类型。
这种新方法的测试结果令人瞩目。当使用一口计算机从未见过的井进行测试时，新方法正确识别岩石类型的准确率约为 76%。相比之下，行业内使用的标准方法仅能达到约 50% 的准确率，在某些情况下甚至表现得和随机猜测没什么两样。旧方法经常无法识别特定的岩石类型，要么完全遗漏，要么将其与其他类型混淆。然而，新方法保持了平衡的表现，能够以高可靠性识别所有三种岩石类型。此外，计算机为每一次预测都提供了置信度评分，使地质学家能够清楚地看到模型的确定程度以及不确定之处，从而为最终的图谱增加了信任度。
该新工作流程生成的最终地图展示了一个在地质学上合理的地下世界图像。预测的岩层流动平滑且连续，符合数百万年前砂岩和石灰岩沉积的历史事实。而旧方法产生的结果则是破碎且零散的，不符合地质逻辑。通过将严格的物理规则与先进的数据处理技术相结合，研究人员证明了看透复杂地下地层噪声是可能的。这项工作为定位石油储量提供了一种更可靠的方法，将模糊、不确定的图像转变为精准的勘探指南。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。