Kunstig intelligens for tolkning av seismikk

For å lete etter hydrokarboner samler oljeselskapene inn store mengder seismiske data. For Norge sin del ligger olje og gassfeltene utenfor vår kyst, og det benyttes derfor seismiske fartøy for å samle inn data. For å kartlegge og forstå undergrunnen bruker fartøyene luftkanoner til å sende lydbølger gjennom vannet og ned i sedimentene.

Her har nettverket predikert en flate som representerer en kraftig polygonal forkastet hendelse i Tertiær periode, ca. 25 millioner år tilbake i tid. Illustrasjon: Equinor.

Noe av bølgeenergien reflekteres hver gang den møter en kontrast i impedansen, typisk i overgangen fra en bergart til en annen. Den seismiske impedansen for en bergart er bestemt av dets hastighet og tetthet.  De svake refleksjonene blir registrert av en eller flere kabler fylt med mikrofoner (kalt hydrofoner) som blir slept etter det seismiske fartøyet. De innsamlede dataene blir sortert, filtrert, summert og prosessert med avanserte metoder. De seismiske refleksjonene gir samlet et geologisk bilde av undergrunnen.  

En seismisk tolker analyserer de innsamlede dataene for å kartlegge området for mulige prospekter og hydrokarbonfeller. Gjennom tolkningen bygger man en forståelse av hvordan sedimentene er blitt avsatt og under hvilke forhold. Den bidrar til å forstå hvilke tektoniske hendelser som har skjedd og når og om hydrokarboner er blitt dannet og hvordan de har migrert og eventuelt blitt fanget opp i feller på sin vei mot overflaten. Den første fasen av tolkningen skaper en forståelse av lagpakkenes horisonter og de strukturelle hendelsene. Er refleksjonene kontinuerlige og tydelige kan man benytte automatiske teknikker, men vanligvis må geologen/geofysikeren gjennomføre tolkningen manuelt. Dette er et svært tidkrevende arbeid med et stort potensial for effektivisering. Det manuelle arbeidet vil heller ikke kunne utnytte alle de seismiske dataene fordi informasjonsmengden er for stort. Typisk blir bare 3-4% av dataene utnyttet. I samarbeid med Equinor har NR derfor jobbet med å utvikle metoder som kan bidra til å effektivisere denne prosessen og utnytte alle dataene. 

Det er mange utfordringer knyttet til denne problemstillingen. De seismiske dataene som skal analyseres er komplekse ikke-standard bildedata representert som 3-dimensjonale kuber. Metodene læres opp fra geologenes tolkninger, men disse er ikke laget for å trene opp maskinlæringsmodeller og kan være inkonsistente og inneholde støy eller feil som ikke er viktig i manuell tolkning, men som kan påvirke maskinlæringen. I tillegg er det store datavolumer som skal analyseres, slik at det er behov for løsninger som kan håndtere dette effektivt. 

Gjennom prosjektet DELI (Deep Learning Seismic Interpretation) har NR sammen med Equinor jobbet med å utvikle metoder basert på dyp læring som klarer å tolke de seismiske kontrastene mellom bergartslagene. Metodene bruker såkalte konvolusjonsnettverk som læres opp fra geologenes tolkninger av seismikken. Ved bruk av disse verktøyene kan geologene generere tolkninger mange ganger raskere enn tidligere, samtidig som tolkningen blir mer komplett og avslører flere detaljer om undergrunnen. 

Prosjekt: Deep Learning  Seismic Interpretation (DELI)

Partner: Equinor

Finansiering: Equinor

Periode: 2017-