Predykcja krzyżowa logów sonicznych przy użyciu uczenia maszynowego na Newfoundland i Labrador

Słuchając skał bez mikrofonu

Firmy naftowe i gazowe polegają na akustycznych narzędziach „sonicznych”, które rejestrują, jak fale dźwiękowe przemieszczają się przez skały pod powierzchnią. Te szczegółowe pomiary pomagają inżynierom ocenić wytrzymałość skał, zaplanować bezpieczne odwierty i powiązać dane wiertnicze z pomiarami sejsmicznymi. Jednak narzędzia soniczne są drogie, mogą spowolnić operacje i czasem nie można ich użyć. W badaniu pokazano, jak uczenie maszynowe może odtworzyć informacje soniczne z tańszych, rutynowo zbieranych pomiarów, dając sposób na „usłyszenie” podpowierzchni nawet gdy brak jest mikrofonu.

Dlaczego przewidywanie danych sonicznych ma znaczenie

W wierceniach morskich operatorzy rejestrują wiele rodzajów logów: naturalną radioaktywność, prędkość wiercenia, przepływ pompy, nacisk na wiertło i inne. Logi soniczne są szczególne, bo ujawniają prędkość rozchodzenia się dźwięku w skale — kluczowy parametr do szacowania sztywności skały, ciśnienia i naprężeń. Gdy narzędzia soniczne nie są dostępne, inżynierowie muszą radzić sobie z brakami danych lub polegać na prostych regułach. Dzięki uczeniu maszynowemu, które zamienia powszechne, nie-soniczne logi na dokładne krzywe „pseudo-soniczne”, firmy mogą obniżyć koszty pozyskiwania danych, uzupełnić brakujące odcinki i wciąż podejmować świadome decyzje dotyczące stabilności odwiertu oraz zachowania złoża.

Uważny przepis, by uniknąć oszustwa

Autorzy pracowali na danych z dwóch odwiertów morskich na Newfoundland i Labrador. Dla każdej głębokości starali się przewidzieć spowolnienie podłużne (sposób wyrażenia czasu, jaki fali dźwiękowej zajmuje przejście przez skałę) używając wyłącznie pomiarów nie-sonicznych. Co ważne, zakazali używania jakichkolwiek wejść bezpośrednio lub pośrednio opartych na danych sonicznych, takich jak pochodne własności elastycznych. Funkcje budowano tylko z informacji z tej samej głębokości lub płytszych, naśladując pomiary w czasie rzeczywistym podczas wiercenia, gdzie przyszłość jest nieznana. Odstające wartości w odczytach czujników identyfikowano za pomocą statystyk z jednego tylko „treningowego” odwiertu i następnie traktowano w obu odwiertach w ten sam sposób, co zapobiegało cichej nauce modeli na danych testowych. Wszystkie skalowania i wybory cech również były ustalone na odwiertcie treningowym przed zastosowaniem ich, bez zmian, do drugiego odwiertu.

Zmiana surowych logów w sygnały możliwe do uczenia

Proste podanie surowych logów do algorytmu rzadko wystarcza. Zespół stworzył rozbudowany zestaw cech uwzględniających głębokość: śledzili, jak każdy log zmienia się z głębokością, wygładzali zaszumione sygnały na kilku skalach oraz wyliczali nachylenia i krzywizny uwypuklające lokalne trendy. Wyrażali też głębokość względem segmentów otworu, wychwytując wzorce powtarzające się przy zmianie rozmiaru wiertła. Aby zapobiec przytłoczeniu modeli, cechy sortowano trzema różnymi metodami i łączono rankingi w jedną uporządkowaną listę. Z zwartej grupy najbardziej informatywnych cech wybrano następnie podzbiór przy użyciu podziału uwzględniającego czas w obrębie odwiertu treningowego, tak aby sam proces respektował naturalne uporządkowanie według głębokości.

Modele drzewiaste pokonują głębokie uczenie

Badanie porównywało trzy typy modeli: Random Forest, XGBoost (popularna metoda gradient-boosting) oraz dwukierunkowe sieci LSTM, często używane dla danych sekwencyjnych. Każdy model trenowano na jednym odwiertcie i testowano ślepo na drugim — wymagająca konfiguracja ujawniająca różnice między odwiertami w zakresie głębokości, warunków pracy i typów skał. W tych testach najlepiej wypadł XGBoost, osiągając wysoką zgodność między przewidywanymi a mierzonymi logami sonicznymi po treningu na pierwszym odwiertcie i zastosowaniu do drugiego. Random Forests zajmowały drugie miejsce i bywały stabilniejsze w zaszumionych strefach. Sieci LSTM, mimo złożoności, pozostawały w tyle pod względem zarówno dokładności, jak i odporności — prawdopodobnie dlatego, że dostępne były tylko dwa odwierty, a dane silnie zmieniały się z głębokością, warunki niesprzyjające dużym sieciom neuronowym.

Co napędza dokładność i gdzie to pomaga

Wyłączając i włączając różne elementy przetwarzania wstępnego, autorzy wykazali, że inteligentne generowanie i wybór cech miały największy wpływ na wydajność, bardziej niż samo dodanie dłuższych okien historii czy podstawowe filtrowanie odchyleń. Gdy te kroki były stosowane, oba modele drzewiaste uogólniały znacznie lepiej między odwiertami. Powstałe pseudo-soniczne logi były wystarczająco dokładne, by wspierać zadania dalszego przetwarzania, takie jak szacowanie sztywności skał, modelowanie ciśnienia porowego i naprężeń, kalibracja danych sejsmicznych oraz planowanie odwiertów w strefach, gdzie bezpośrednie pomiary soniczne są brakujące, opóźnione lub zawodzą. Ponieważ wszystkie transformacje są ustalone na odniesieniowym odwiertcie i potem ponownie używane, przepływ pracy mógłby działać niemal w czasie rzeczywistym podczas wiercenia.

Wniosek dla osób nietechnicznych

Ta praca pokazuje, że przy zdyscyplinowanym przetwarzaniu danych i dobrze dobranych modelach uczenia maszynowego możliwe jest odtworzenie wartościowych informacji sonicznych z tańszych kanałów wiercenia i logowania w nowym odwiertcie, którego model nigdy wcześniej nie widział. Podejście nie zastępuje dedykowanych narzędzi sonicznych, zwłaszcza tam, gdzie marginesy bezpieczeństwa są wąskie, ale oferuje praktyczne i opłacalne zaplecze oraz kontrolę jakości, gdy zmierzone dane budzą wątpliwości. W miarę dodawania kolejnych odwiertów i regionów oraz testowania nowszych modeli według tych samych rygorystycznych zasad, tego rodzaju predykcja krzyżowa może stać się standardową częścią cyfrowego zestawu narzędzi dla bezpieczniejszych i bardziej efektywnych wierceń morskich.

Cytowanie: 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

Słowa kluczowe: uczenie maszynowe, logi soniczne, rejestracja otworów, wiercenia morskie, charakteryzacja złoża