ニューファンドランド・ラブラドールにおける井間機械学習によるソニックログ予測

マイクなしで岩を「聞く」

石油・ガス会社は、音波が地下の岩をどう伝わるかを把握するために音響的な「ソニック」ツールを利用しています。これらの詳細な測定は、岩の強度評価、安全な井の設計、掘削データと地震データの照合に役立ちます。しかしソニックツールは高価で、作業を遅らせることがあり、場合によっては測定自体ができないこともあります。本研究は、機械学習を用いてより安価で日常的に取得される測定値からソニック情報を再構成する方法を示し、マイクがなくても地下を「聞く」手段を提供します。

なぜソニックデータの予測が重要か

洋上掘削では、作業者は天然放射能、掘削速度、ポンプ流量、ドリルビットにかかる荷重など多種のウェルログを記録します。ソニックログは、音が岩を通る速度を明らかにするため特に重要で、これは岩の剛性、圧力、応力を推定する主要な入力です。ソニックツールが利用できないときは、データの欠損を補うか大まかな経験則に頼るしかありません。一般的な非ソニックログから正確な「擬似ソニック」曲線を生成するために機械学習を使えば、データ取得コストを削減し、欠損区間を埋め、安全性や貯留層挙動に関する判断を維持できます。

不正を防ぐための厳密な手順

著者らはニューファンドランド・ラブラドールの洋上井2本のデータを用いました。各深度について、非ソニック測定のみを用いて圧縮遅延（音波が岩を通るのに要する時間を表す尺度）を予測しようとしました。重要なのは、導出された弾性特性など、直接的・間接的にソニックデータを利用する入力を一切禁止した点です。また、特徴量は同じ深度またはそれより浅い深度の情報のみを使って作成し、将来の情報が未知である掘削中の状況を模しました。センサ読み取りの外れ値は、まず一つの「トレーニング」井の統計量だけで特定し、両井で同様に処理することで、モデルがテストデータからこっそり学習することを防ぎました。すべてのスケーリングと特徴選択もトレーニング井で固定した後に、変更せずにもう一つの井に適用しています。

生データを学習可能な信号に変える

単に生のログをアルゴリズムに投入するだけでは不十分なことが多いです。チームは深度に配慮した豊富な特徴量を設計しました：各ログの深度方向の変化を追跡し、複数のスケールでノイズを平滑化し、局所的な傾向を強調するために傾きや曲率を算出しました。穴のセグメントに対する相対的な深度を表現することで、ビット径変化時に繰り返されるパターンも捉えています。モデルが圧倒されないように、特徴量を三つの異なる方法でランク付けし、その順位を統合して単一の順序付けリストを作成しました。最も情報量の高いコンパクトな特徴群は、トレーニング井内の時間に配慮した分割を用いて選ばれ、プロセス自体が深度に伴う自然な順序を尊重するようにしました。

木構造モデルが深層学習を上回る

研究では、ランダムフォレスト、XGBoost（一般的な勾配ブースティング法）、双方向LSTMニューラルネットワークという三種類のモデルを比較しました。各モデルは一方の井で学習され、もう一方の井でブラインドにテストされました。これは深度範囲、運用条件、岩相の違いを露呈させる厳しい設定です。このテストではXGBoostが最も良好な結果を示し、第一の井で学習して第二の井に適用したときに予測と測定の高い一致を達成しました。ランダムフォレストはこれに次ぎ、ノイズの多い領域では時により安定していました。LSTMネットワークは複雑であるにもかかわらず精度と堅牢性の両面で遅れを取りました。これは井が二本しかなく、データが深度や条件で強く変動するため、大規模なニューラルネットワークに適した状況ではなかったためと考えられます。

精度を左右する要因と適用場面

前処理の各要素をオン・オフして検証した結果、性能に最も寄与したのは賢い特徴生成と選択であり、単に履歴ウィンドウを長くすることや基本的な外れ値除去だけよりも重要でした。これらの手順を含めると、木構造モデルは井間での一般化能力が大きく向上しました。得られた擬似ソニックログは、岩の剛性推定、間隙圧力や応力のモデリング、地震データのキャリブレーション、直接測定が欠けている・遅延している・信頼できないゾーンでの井の計画など下流のタスクを支えるのに十分な精度を示しました。すべての変換が参照井で固定され再利用されるため、このワークフローは掘削中にほぼリアルタイムで動作する可能性があります。

非専門家へのまとめ

この研究は、厳格なデータ取り扱いと適切に選ばれた機械学習モデルにより、モデルがこれまで見たことのない新しい井でも、より安価な掘削・ログチャンネルから価値の高いソニック情報を再現できることを示しています。このアプローチは、安全余裕が厳しく求められる場面で専用のソニックツールに取って代わるものではありませんが、実用的でコスト効果の高いバックアップ手段であり、測定データが疑わしいときの品質チェックとして有用です。より多くの井や地域を追加し、同じ厳しいルールの下で新しいモデルを試すことで、こうした井間予測は洋上掘削の安全性と効率性を高めるデジタルツールキットの標準的な一部になる可能性があります。

引用: 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

キーワード: 機械学習, ソニックログ, ウェルログ, 洋上掘削, 貯留層特性評価