高度な型破りな貯留層特性評価のための階層型自動機械学習 (AutoML)

Scientific Reports volume 13、記事番号: 13812 (2023) この記事を引用

139 アクセス

1 オルトメトリック

メトリクスの詳細

機械学習 (ML) の最近の進歩により、炭化水素、CO2 貯蔵、水素などのエネルギー探査の状況が変わりました。 ただし、貯留層の特性評価に適した ML モデルを構築するには、モデルを微調整して最良の予測を達成するために特定の深い知識が必要であり、地球科学における機械学習の利用しやすさが制限されています。 この問題を軽減するために、私たちは最近登場した自動機械学習 (AutoML) アプローチを実装し、従来の ML アプローチよりも最適化されアクセスしやすいワークフローで、型破りな貯留層の特性評価を行うためのアルゴリズム検索を実行しました。 この研究では、アルバータ州のアサバスカ オイル サンドの 1,000 以上の井戸が分析され、岩相、空隙率、頁岩の体積、アスファルトの質量パーセントなど、さまざまな主要な貯留層の特性が予測されました。 私たちが提案するワークフローは、AutoML 予測の 2 つの段階で構成されています。(1) 第 1 段階では、従来の坑井ログ データを使用して頁岩の体積と間隙率を予測することに重点を置き、(2) 第 2 段階では、予測された出力と坑井ログ データを組み合わせて、岩相とアスファルトの割合を予測します。 調査結果は、空隙率 (精度 78%)、頁岩の体積 (80.5%)、アスファルトの割合 (67.3%)、および岩相分類 (98%) を予測するためにテストされた 10 の異なるモデルのうち、分散ランダム フォレスト、および勾配ブースティングマシンが最良のモデルとして登場しました。 手動で微調整された従来の機械学習アルゴリズムと比較すると、AutoML ベースのアルゴリズムは貯留層の特性予測において顕著な改善をもたらし、分類問題では最大 15 ～ 20%、加重平均 f1 スコアは 5 ～ 10% 高くなります。ブラインド テスト データセットの回帰問題の調整済み R2 スコアで、これはトレーニングとテストのプロセスを約 400 秒かけて行った後にのみ達成されます。 さらに、特徴ランキング抽出手法から、各予測における最も重要な入力パラメーターに関して、分野の専門家との一致が見られます。 したがって、これは、AutoML ワークフローが、最小限の時間と人間の介入で高度な岩石物理学分析と貯留層の特性評価を実行する上で強力であることが証明されており、モデルの説明可能性を維持しながら、分野の専門家がよりアクセスしやすくなっているという証拠です。 AutoML と対象分野の専門家の統合により、データ駆動型エネルギー地球科学の最適化における人工知能テクノロジーの実装が前進する可能性があります。

地下坑井のログデータは、堆積岩相の空間的および時間的変動性と貯留層ゾーンの岩石物理学的特性に関する重要な情報を提供し、より完全な貯留層評価を可能にします1、2、3。 さらに、ほとんどの坑井では、通常、坑井ログ データが、コアなどの他の地下データよりも豊富に入手可能です。 坑井検層には、その効率性にもかかわらず、不均一な堆積環境における不確実性のレベルや、データ処理と解釈を行うための経験豊富な岩石物理学者の必要性という点で、いくつかの制限があります4,5。 炭化水素探査において、岩相分類や間隙率予測などの岩石物理学分析は、機械学習を適用できる最も活発な分野の 1 つです6,7。 これは主に、岩石物理データが適切に構造化されており、物理モデルに関して明確に定義されているためです。 その結果、多くの高度な機械学習アルゴリズムを岩石物理データに適用できます7。 これは、人工知能テクノロジーの出現によってさらに強化され、大量の地下データセットが利用可能になったことで、高度な機械学習アルゴリズムへの道が開かれました。 間隙率を予測するために人工ニューラル ネットワークを適用する最初の成功した試みの 1 つを提供した Wong8 による独創的な研究に続き、さまざまな教師ありおよび教師なしの機械学習モデルを使用してさまざまな岩石物理特性を予測する数多くの試みが導入されました。 Al-Anazi と Gates9 は、不均一な貯留層の空隙率を予測するためにサポート ベクター回帰を使用しました。 さらに、Chen et al.10 は、空隙率を予測するために深層学習アルゴリズムを実装しました。 このアプローチにより、利用可能なデータが限られており、ログの深さが異なる場合にエラーを減らすことができます。 最近、Yang11 による研究では、最先端の深層学習変圧器モデルを利用して空隙率を予測し、高い精度を達成しました。 いくつかの研究では、機械学習の適用を拡張して、珪砕物貯留層と炭酸塩貯留層の両方での透水性予測を実施しています 12,13。