חיזוי חוצבי-באר בלמידת מכונה של יומני סוניק בניופאונדלנד ולברדור

להקשיב לסלעים בלי מיקרופון

חברות נפט וגז מסתמכות על כלי אקוסטיקה "סוניק" כדי להאזין לאופן שבו גלי קול נעשים דרך הסלעים התת-קרקעיים. מדידות מפורטות אלו מסייעות למהנדסים לשפוט את חוזק הסלע, לתכנן בארות בטוחות וליישר נתוני קידוח עם סקרים סייסמיים. עם זאת, כלי סוניק יקרים, עלולים לעכב את הפעילות ולעיתים אינם ניתנים לשימוש כלל. המחקר הזה מראה כיצד למידת מכונה יכולה לשחזר מידע סוניקי מתוך מדידות זולות שנאספות באופן שגרתי, ומציעה דרך "להשמיע" את תת-המשטח גם כשהמיקרופון חסר.

למה חיזוי נתוני סוניק חשוב

בקידוח חופי, מפעילים רושמים סוגים רבים של יומנים: קרינה טבעית, מהירות קדיחה, קצב משאבה, עומס על מקדח ועוד. יומני הסוניק מיוחדים בכך שהם חושפים כמה מהר הקול נע דרך הסלע — קלט מרכזי לאומדן נוקשות הסלע, לחץ ומתח. כאשר כלים סוניקים אינם זמינים, מהנדסים נאלצים לעבוד עם חוסרים או להסתמך על כללים גסים. על ידי שימוש בלמידת מכונה להמרת יומנים נפוצים שאינם סוניקיים לעקומות "פזו-סוניק" מדויקות, חברות יכולות להפחית עלויות רכישת נתונים, למלא מקטעים חסרים ולעשות החלטות מושכלות לגבי יציבות הבאר והתנהגות המאגר.

מתכון זהיר כדי להימנע מ"רמאות"

המחברים עבדו עם נתונים משתי בארות חופיות בניופאונדלנד ולברדור. עבור כל עומק ניסו לחזות את האיטיות הדחיסתית (דרך לבטא כמה זמן גל קול לוקח לעבור דרך סלע) באמצעות מדידות שאינן סוניקיות בלבד. באופן מכריע הם אסרו כל קלט שהשתמש ישירות או בעקיפין בנתונים סוניקיים, כגון תכונות אלסטיות נגזרות. הם גם בנו תכונות באמצעות מידע מאותו עומק או עומקים רדודים יותר בלבד, במטרה לחקות קידוח בזמן אמת שבו העתיד אינו ידוע. חריגות במדידות זוהו באמצעות סטטיסטיקה של באר "אימונים" אחת וטופלו בשתי הבארות באותו אופן, כדי להבטיח שהמודלים לא ילמדו בשקט מהנתוני המבחן. כל הסקאלינג ובחירות התכונות גם נקבעו בבאר האימונים לפני שהוחלו, ללא שינוי, על הבאר השנייה.

הפיכת יומנים גולמיים לאותות ניתנים ללמידה

הזנת יומנים גולמיים לאלגוריתם לעיתים רחוקות מספיקה. הצוות הנדס מערך עשיר של תכונות מודעות-עומק: הם עקבו כיצד כל יומן משתנה עם העומק, חלקו אותות רעשיים בסולמות שונים וחישבו שיפועים ועקמומיות שמדגישים מגמות מקומיות. הם גם ביטאו עומק יחסית לקטעי הבור, כדי ללכוד דפוסים שחוזרים כשגודל המקדח משתנה. כדי למנוע מהמודלים להצפה, הם דירגו תכונות באמצעות שלוש שיטות שונות ושילבו את הדירוגים לרשימה מסודרת אחת. קבוצה קומפקטית של התכונות המידעיות ביותר נבחרה לאחר מכן באמצעות חלוקה מודעת-זמן בתוך באר האימונים, כך שתהליך הבחירה ישמור על הסדר הטבעי לפי עומק.

מודלים מבוססי עצים מנצחים למידה עמוקה

המחקר השווה שלושה סוגי מודלים: Random Forests, XGBoost (שיטה פופולרית של gradient-boosting) ורשתות LSTM דו-כיווניות, שבאופן תדיר משמשות לנתוני רצף. כל מודל הוכשר על באר אחת ונבדק בעיוור על השנייה — תצורה תובענית החושפת הבדלים בין בארות בטווח העומקים, תנאי התפעול וסוגי הסלע. בבדיקה זו XGBoost הביא לתוצאות הטובות ביותר, והשיג התאמה גבוהה בין יומני סוניק חזויים ונמדדים כאשר הוכשר על הבאר הראשונה והוחל על השנייה. Random Forests היו צמודים לפעמים ויציבים יותר באזורים רועשים. רשתות LSTM, למרות המורכבות שלהן, הניבו ביצועים נמוכים יותר בדיוק ובעמידות, ככל הנראה משום שמדובר בשתי בארות בלבד והנתונים השתנו בחוזקה עם העומק — תנאים שלא מיטיבים עם רשתות נוירונים גדולות.

מה משפיע על הדיוק והיכן זה מועיל

על ידי הפעלה וכיבוי של שלבים שונים בעיבוד המקדמי, המחברים הראו שהנדסת תכונות וחירת תכונות חכמות עשו את ההבדל הגדול ביותר בביצועים, יותר מאשר הוספת חלונות היסטוריה ארוכים או סינון חריגים בסיסי בלבד. כאשר שלבים אלה כללו, שני המודלים המבוססי העצים הכלילו הרבה יותר טוב בין בארות. יומני הפזו-סוניק שהתאפשרו היו מדויקים מספיק לתמוך במשימות יורדות כגון הערכת נוקשות הסלע, מיצוב לחץ נקבוב ותפיסה, כיילת נתונים סייסמיים ותכנון בארות באזורים שבהם מדידות סוניק ישירות חסרות, מעוכבות או בלתי מהימנות. מאחר שכל הטרנספורמציות קבועות על באר ייחוס ואז משומשות מחדש, זרימת העבודה יכולה לפעול כמעט בזמן אמת בזמן הקידוח.

מסקנה לקוראים לא-מומחים

העבודה הזו מראה שעם טיפול מדוקדק בנתונים ובחירת מודלים מתאימים בלמידת מכונה, אפשר לשחזר מידע סוניקי בעל ערך גבוה מתוך ערוצי קידוח ולוגינג זולים בבאר חדשה שהמודל לא ראה מעולם. הגישה אינה מחליפה כלים סוניקיים ייעודיים, במיוחד במקרים שבהם מרווחי הבטיחות צרים, אך היא מציעה גיבוי פרקטי וחסכוני, וכן בדיקת איכות כאשר נתונים נמדדים נראים חשודים. ככל שיתווספו בארות ואזורים נוספים וייבחנו מודלים חדשים תחת אותן כללים קשוחים, חיזוי חוצבי-באר מהסוג הזה עלול להפוך לחלק סטנדרטי בערכת הכלים הדיגיטלית לקידוח חוף בטוח ויעיל יותר.

ציטוט: Zare, B., Huque, M.M., James, L.A. et al. Cross-well machine learning prediction of sonic logs in Newfoundland and Labrador. Sci Rep 16, 5292 (2026). https://doi.org/10.1038/s41598-026-36053-9

מילות מפתח: למידת מכונה, יומני סוניק, לוגינג באר, קידוח חוף, אפיוני מאגר