Машинное обучение в геологии: как автоматизировать интерпретацию данных?

Машинное обучение может успешно применяться при лабораторных исследованиях данных, полученных в результате геологоразведочных работ. Оно помогает, во-первых,  оптимизировать сам процесс анализа, а во-вторых, автоматизировать интерпретацию данных.

Какие методы машинного обучения уже опробованы в геологии? Этому вопросу был посвящён вебинар «Лабораторные экспериментальные и цифровые исследования», прошедший 21 февраля 2023 года на платформе «Геовебинары».

Геологические данные без «разночтений»

Как правило, в процессе лабораторных исследований геологических данных возникает ряд проблем, и все они связаны с недостаточной точностью результатов. Так, разные лаборатории могут выдавать разные итоговые показатели по одним и тем же образцам горных пород.

Вместе с тем проведённых анализов может быть недостаточно для чётких выводов вследствие ограниченного объёма доступных материалов. Это чревато тем, что на выходе можно получить ненадёжные результаты, которые в дальнейшем могут снизить качество оценки всего месторождения.

«Более того, собранные данные могут недостаточно хорошо описывать тот или иной объект. Если же в лаборатории применяют методы аналогии, получаемые данные могут быть не всегда очевидны: к примеру, в процессе отбора проб с определённым интервалом можно в том числе пропустить какие-то важные интервалы, что тоже может сильно повлиять на оценку участка», — отметил руководитель по развитию продукта DeepCore Digital Petroleum Евгений Барабошкин.

Машинное обучение позволяет ускорить обработку геологических данных и к тому же избежать описанных «разночтений». Конкретные методы были применены учёными Российского государственного университета нефти и газа имени И. М. Губкина и описаны в научной статье «Применение алгоритмов машинного обучения в прогнозе результата пиролитического анализа».

Команда специалистов преследовала цель получить рабочую модель прогноза пиролитических параметров после экстракции образцов без проведения самой экстракции. Учёные взяли 300 образцов нефти из трёх скважин одного месторождения, расположенного в центральной части Западно-Сибирской провинции в пределах Фроловской впадины. Затем они провели оценку содержания различных компонентов в породе методом пиролиза.

Основываясь на данных, отобранных до и после экстракции, авторы работы создали разные алгоритмы регрессии машинного обучения, с помощью которых можно предсказать примерное количество нефти, доступное для извлечения из породы. Затем учёные сравнили эти алгоритмы и определили самый эффективный из них.

Для разработки модели прогнозирования были протестированы и сопоставлены 5 алгоритмов регрессии машинного обучения, включая множественную линейную регрессию, полиномиальную регрессию, опорную векторную регрессию, дерево решений и случайный лес.

В результате выяснилось, что наиболее оптимальным вариантом является метод случайного леса. Поясним, случайный лес — это метод, который объединяет прогнозы из нескольких алгоритмов машинного обучения, чтобы делать более точные прогнозы, чем любая отдельная модель. Алгоритм выдаёт множество прогнозов методом «дерева решений» и потом выводит среднее значение из всех.

«Другая работа тех же учёных РГУ нефти и газа имени И. М. Губкина была посвящена предсказанию геологической информации с помощью методов машинного обучения на основе геохимических проб из почв. Этот метод также позволяет значительно ускорить принятие решений в процессе лабораторных исследований.

В рамках проекта авторы работы проанализировали разные геохимические пробы, создали и сравнили 10 алгоритмов, после чего представили диаграмму, которая продемонстрировала, каким образом можно применить почти любой метод машинного обучения», — добавил Евгений Барабошкин.

Предсказание на основе гиперспектральных данных

Также для ускорения и обеспечения повышенной точности лабораторных исследований можно использовать дополнительные методы исследования керна, например гиперспектральные данные. Так, учёные РГУ нефти и газа им. И. М. Губкина на основе базы из 110 тысяч геохимических проб сформировали несколько алгоритмов для классификации всех элементов и выделили несколько классов.

Для каждого из элементов был создан свой обучающий алгоритм, который включил в себя и нейронные, и сверочные нейронные сети, а также другие алгоритмы. В данной модели специалисты попробовали предсказать вышеуказанные классы на основе гиперспектральных данных.

Непосредственно в ходе экспериментов учёные выявили ещё более перспективный подход — сверочные нейронные сети. Они пришли к выводу, что в ходе лабораторных анализов это решение наиболее эффективно помогает выявить и проверить некоторые зоны, которые могли быть не включены в ходе отбора геохимических проб.

То есть посредством сверочных нейронных сетей можно сразу выделить перспективные зоны для отбора геохимических проб, получить более качественные данные и тем самым уменьшить нагрузку на сотрудников лабораторий.

Как работают сверочные нейронные сети? Так же, как и искусственные нейронные сети, они вырабатывают те или иные правила, по которым можно вычленить из изображения наиболее важные данные для определения и предсказания.

Технология позволяет извлекать такую информацию о структуре и текстуре изображения, которая не всегда очевидна для человека. Впоследствии эти данные помогают наиболее точно определять те или иные характеристики и более качественно предсказывать данные, поступающие сразу из нескольких источников.

Как проходит обучение алгоритмов?

Как мы видим, методы машинного обучения являются действительно эффективным инструментом, помогающим ускорить и упростить геологические исследования.

Основа основ технологии — построение алгоритмов, которые самостоятельно учатся обработке данных. Но каким именно образом обучаются эти самые алгоритмы?

Как объяснил руководитель по развитию продукта DeepCore Digital Petroleum, традиционные методы машинного обучения с применением учителя в основном представляют собой искусственную нейронную сеть:

«На входе в эти сети изначально подаются данные, внутри лежат различные весы, которые пытаются классифицировать поступившую информацию или же предсказать то или иное значение. Непосредственно в процессе обучения этим весам приходит ответ от так называемой функции потери и функции ошибок, дающих алгоритму понять, в чём и в какой степени он ошибся.

Уже в процессе обучения алгоритм постепенно подстраивается таким образом, чтобы в будущем всё более правильно отвечать на поступающие данные. После обучения этот алгоритм пробуют применять на других данных, чтобы проверить точность его работы».

Обучение алгоритмов машинного обучения может осуществляться и с помощью метода опорных векторов. В данном подходе тоже используются весы, но сам принцип обучения имеет некоторые отличия. Допустим, у вас есть некоторые данные и условно плоскость, которая должна разделить их на различные классы. В процессе обучения эта плоскость подстраивается с помощью различных весов и на выходе может более точно описывать те или иные данные.

 «На самом деле сегодня существует множество технологий, которые могут значительно облегчить лабораторные исследования геологических данных. Для формирования модели месторождения можно применять методы моделирования, рекомендательных систем и так далее.

Не стоит забывать и про методы предиктивной аналитики, которые позволяют оценивать количество поступающей информации, определять тренды исследуемых показателей и прогнозировать будущие события. Используя такие инструменты, можно построить модель, которая будет постоянно обновлять информацию о месторождении и предлагать новые методы для исследований, а также подсчитывать ожидаемый эффект», — пояснил Евгений Барабошкин.