L'intelligenza artificiale generativa accelera il flusso di lavoro dell'imaging sismico

La visione artificiale sta generando immagini del sottosuolo utilizzando una piccola frazione dei dati sismici tradizionalmente richiesti.

Texas Advanced Computing Center presso l'Università del Texas. (Fonte: Università del Texas ad Austin)

L’intelligenza artificiale generativa (AI) può redigere promesse matrimoniali e creare immagini di pinguini che giocano a calcio. È utile anche nel settore energetico, poiché è in grado di generare immagini del sottosuolo utilizzando molti meno dati di quelli precedentemente richiesti.

Sebbene siano ancora necessarie enormi quantità di potenza di calcolo per la generazione di immagini del sottosuolo, l’apprendimento automatico, le reti neurali profonde e la visione artificiale hanno reso possibile accelerare significativamente il flusso di lavoro dell’imaging sismico.

Per due anni, SparkCognition e Shell hanno lavorato insieme per accelerare l’imaging sismico utilizzando la visione artificiale.

"A loro merito, la Shell si è resa conto che si trattava di un problema di ricerca a risposta aperta", ha detto a Hart Energy Bruce Porter, direttore scientifico di SparkCognition. "Ce l'hanno proposto come outsider dell'industria del petrolio e del gas. Non siamo esperti di petrolio e gas. Siamo esperti di machine learning. Volevano vedere se questa partnership, con il nostro machine learning e la loro geoscienza, se potesse risolversi la noce."

Secondo Porter sì. Il risultato è il software SparkCognition Oil & Gas Exploration Advisor.

SparkCognition detiene sette brevetti sulle tecnologie sviluppate per accelerare il flusso di lavoro dell'imaging sismico. La maggior parte di questi brevetti riguardano il processo di migrazione “de-noising”, che chiarisce le immagini della fase sismica.

La durata del flusso di lavoro di interpretazione sismica dipende in gran parte dalla quantità di dati di ripresa che devono essere elaborati e la nuova tecnologia di SparkCognition utilizza tra l'1% e il 3% dei dati di ripresa storicamente utilizzati.

"Non siamo esperti di petrolio e gas. Siamo esperti di machine learning. [Shell] voleva vedere se questa partnership, con il nostro machine learning e la loro geoscienza, poteva risolvere il problema."—Bruce Porter, chief science officer, SparkCognizione.

"Data una rete neurale adeguatamente addestrata, se la si carica con alcuni punti dati, in questo caso i dati di ripresa, la rete neurale può compilare tutti i dati di ripresa mancanti, il restante 99% - 97% dei dati di ripresa che rimane invisibile e non elaborato", ha detto. "Il risultato è che queste reti neurali sono in grado di fare quella che viene chiamata la fase di inferenza, ovvero generare l'immagine sismica. Può farlo in pochi secondi o minuti, completando tutti questi dati invisibili."

Il risultato è che la stragrande maggioranza dei dati raccolti non deve essere elaborata, ha affermato.

"Se ciò porterà a un prodotto di prossima generazione in cui l'acquisizione dei dati di ripresa sarà ridotta, questa è un'altra questione", ha aggiunto.

Ma scegliere gli scatti da includere assume maggiore importanza quando si utilizza meno del 3% degli scatti acquisiti.

Come ha detto Porter, "Ce ne sono così pochi, quelli che usi contano. Non puoi semplicemente scegliere a caso".

SparkCognition ha sviluppato una soluzione per consentire alle reti neurali di selezionare l'1%-3% dei dati di ripresa che trasportano la maggior parte delle informazioni e avranno il maggiore impatto nella generazione di un'immagine accurata del sottosuolo. Sebbene gli algoritmi gestiscano il processo automatizzato di selezione dei colpi, il sistema non è una scatola nera completa, ha affermato.

Essere in grado di vedere nel processo è importante, soprattutto alla luce di quanto, secondo quanto riferito, alcune IA generative, come Chat GPT, siano andate fuori strada.

Porter ha affermato che il software genera livelli di confidenza insieme alle immagini geologiche del sottosuolo e gli interpreti possono aggiungere più punti di ripresa e consentirgli di ripetere le nuove immagini del sottosuolo con i corrispondenti cambiamenti nei livelli di confidenza dell'immagine.

"È necessaria la risposta giusta. È necessario che la sottostruttura geologica sia corretta", ha affermato. "È importante che non siano scatole nere, deve essere qualcosa in cui l'essere umano abbia fiducia e possa capire dove la rete neurale è creativa nel chiarire il sottosuolo geologico e quando è abbastanza certa del suo risultato."