IA generativa que acelera el flujo de trabajo de imágenes sísmicas

La visión por computadora está generando imágenes del subsuelo utilizando una pequeña fracción de los datos sísmicos que tradicionalmente se han requerido.

Centro de Computación Avanzada de Texas en la Universidad de Texas. (Fuente: Universidad de Texas en Austin)

La inteligencia artificial generativa (IA) puede redactar votos matrimoniales y crear imágenes de pingüinos jugando al fútbol. También es útil en el sector de la energía, capaz de generar imágenes del subsuelo utilizando muchos menos datos de los que se requerían anteriormente.

Si bien aún se requieren cantidades masivas de potencia de cómputo para la generación de imágenes del subsuelo, el aprendizaje automático, las redes neuronales profundas y la visión por computadora han hecho posible acelerar significativamente el flujo de trabajo de imágenes sísmicas.

Durante dos años, SparkCognition y Shell han trabajado juntos para acelerar la generación de imágenes sísmicas utilizando la visión artificial.

"Para su crédito, Shell se dio cuenta de que se trataba de un problema de investigación abierto", dijo a Hart Energy Bruce Porter, director científico de SparkCognition. "Nos lo trajeron como personas ajenas a la industria del petróleo y el gas. No somos expertos en petróleo y gas. Somos expertos en aprendizaje automático. Querían ver si esta asociación, con nuestro aprendizaje automático y su geociencia, podría descifrar la nuez."

Según Porter, lo han hecho. El resultado es el software SparkCognition Oil & Gas Exploration Advisor.

SparkCognition posee siete patentes sobre las tecnologías desarrolladas para acelerar el flujo de trabajo de imágenes sísmicas. La mayoría de esas patentes son del proceso de migración de "eliminación de ruido", que aclara las imágenes de fase sísmica.

La duración del flujo de trabajo de interpretación sísmica depende en gran medida de la cantidad de datos de disparos que se deben procesar, y la nueva tecnología de SparkCognition utiliza entre el 1 % y el 3 % de los datos de disparos que se han utilizado históricamente.

"No somos expertos en petróleo y gas. Somos expertos en aprendizaje automático. [Shell] quería ver si esta asociación, con nuestro aprendizaje automático y su geociencia, podría romper la nuez".—Bruce Porter, director científico, SparkCognition.

"Dada una red neuronal debidamente entrenada, si la prepara con algunos puntos de datos, en este caso, datos de disparos, la red neuronal puede completar todos los datos de disparos que faltan, el otro 99% a 97% de los datos de disparos que no se ve ni se procesa", dijo. "El resultado es que estas redes neuronales pueden hacer lo que se llama el paso de inferencia, que es generar la imagen sísmica. Puede hacerlo en cuestión de segundos o minutos, completando todos estos datos de disparos invisibles".

El resultado es que la gran mayoría de los datos recopilados no tienen que ser procesados, dijo.

"Si eso conduce a un producto de próxima generación en el que se reduce la adquisición de datos de disparo, eso es otro asunto", agregó.

Pero elegir los disparos que se van a incluir adquiere más importancia cuando se utiliza menos del 3 % de los disparos adquiridos.

Como dijo Porter, "Hay tan pocos, los que usas importan. No puedes elegir al azar".

SparkCognition desarrolló una solución para permitir que las redes neuronales seleccionen entre el 1 % y el 3 % de los datos de disparo que contienen la mayor cantidad de información y tendrán el mayor impacto en la generación de una imagen precisa del subsuelo. Si bien los algoritmos ejecutan el proceso automatizado de selección de disparos, el sistema no es una caja negra completa, dijo.

Ser capaz de ver el proceso es importante, particularmente a la luz de cuán desviados se han desviado algunas IA generativas, como Chat GPT, según se informa.

Porter dijo que el software genera niveles de confianza junto con sus imágenes geológicas del subsuelo, y los intérpretes pueden agregar más puntos de disparo y permitirle iterar las nuevas imágenes del subsuelo con los cambios correspondientes en los niveles de confianza de la imagen.

"Necesitas la respuesta correcta. Necesitas obtener la subestructura geológica correcta", dijo. "Es importante que no sean como una caja negra, debe ser uno en el que el humano confíe y pueda entender dónde la red neuronal está siendo creativa para dilucidar el subsuelo geológico y cuándo está bastante seguro de su resultado".

El aprendizaje automático es un campo amplio, y muchas técnicas eran soluciones potenciales para este problema particular de visión por computadora, dijo Porter.

"Probamos probablemente de 10 a 12 familias diferentes de enfoques, no solo algoritmos individuales, sino clases completas de enfoques para el problema, antes de decidirnos por el que funcionó mejor", dijo.

Pero por sí sola, una solución generativa no fue suficiente.

"El aprendizaje automático, el campo de la IA, ha aprendido en las últimas décadas que si aborda un problema tan complicado como este utilizando solo datos, se topa con un techo de cristal y los resultados no son excelentes", dijo.

Atravesar ese techo de cristal requirió algo de creatividad y encontrar una manera de llevar la física, o la geociencia, a la solución, dijo.

"Una persona dedicada al aprendizaje automático va a decir: 'No, no quiero tener nada que ver con la física. Solo voy a usar los datos. Me voy a centrar en los datos y mis algoritmos". obtendrá la respuesta correcta'", dijo Porter. "Uh, no, no creo que eso funcione. Tenemos que encontrar una forma de casarnos, combinando la influencia de la geociencia en la red neuronal para que la red neuronal esté sacando inferencias. Está creando imágenes que son geológicamente plausibles, y no solo plausible, pero correcto".

Durante la colaboración de las empresas en la solución de eliminación de ruido, SparkCognition tuvo acceso al Centro de Computación Avanzada de Texas en la Universidad de Texas.

"Shell tiene sus propias supercomputadoras", dijo. "Pero para nuestra fase de investigación, dependíamos de TACC".

La tecnología ha sido probada en datos reales de Shell, dijo Porter.

"Hemos obtenido la verificación de Shell de que los resultados son muy prometedores, y ahora estamos fortaleciendo el software para que pueda lanzarse a Shell como un producto para su implementación", dijo.

El asesor de exploración de petróleo y gas SparkCognition también estará disponible para otros operadores.

Obtenga las actualizaciones más recientes todos los martes sobre exploración, perforación, producción y costa afuera.

Jennifer Pallanich es editora sénior de tecnología de Hart Energy. Ha informado sobre la tecnología que alimenta la exploración, el desarrollo y la producción de parches de petróleo durante más de dos décadas.

2023-05-16 - Un año después de integrar la tecnología y las funciones de ingeniería, el EMTEC de la supermajor fomenta la colaboración y mejora la resolución de problemas.

2023-05-19 - Expertos, incluido el presidente y director ejecutivo de Baker Hughes, Lorenzo Simonelli, pidieron una mayor colaboración y más inversión en tecnología digital durante el Simposio de energía de AWS.

2023-05-04 - Los comportamientos de seguridad cibernética deben volverse tan automáticos como el uso de cascos y botas con punta de acero, dijeron expertos en la Conferencia de Tecnología Offshore.

2023-05-02: en la cumbre Generative AI for Industry de Cognite, los expertos de la industria discutieron nuevos usos para la inteligencia artificial y cómo podría afectar la industria energética.

2023-05-23: en las Tendencias tecnológicas de esta semana, descubra cómo se siente el CEO de Waterfall Security sobre el uso de tácticas de ciberseguridad por parte de las compañías de petróleo y gas, y qué se debe hacer para prevenir mejor los ataques cibernéticos en la industria.

Noticias de energía, análisis, entrevistas y cobertura exclusiva que necesita para mantener su ventaja en la industria.

¿Ya eres suscriptor? Iniciar sesión

Suscríbase gratis a nuestros boletines para conocer las últimas noticias sobre energía.