IA generativa acelerando o fluxo de trabalho de imagens sísmicas

A visão computacional está gerando imagens de subsuperfície usando uma pequena fração dos dados sísmicos tradicionalmente necessários.

Centro de Computação Avançada do Texas na Universidade do Texas. (Fonte: Universidade do Texas em Austin)

A inteligência artificial generativa (IA) pode redigir votos de casamento e criar imagens de pinguins jogando futebol. Também é útil no setor de energia – capaz de gerar imagens de subsuperfície usando muito menos dados do que o necessário anteriormente.

Embora grandes quantidades de poder de computação ainda sejam necessárias para a geração de imagens de subsuperfície, aprendizado de máquina, redes neurais profundas e visão computacional tornaram possível acelerar significativamente o fluxo de trabalho de imagens sísmicas.

Por dois anos, SparkCognition e Shell trabalharam juntos para acelerar imagens sísmicas usando visão computacional.

"Para seu crédito, a Shell percebeu que este era um problema de pesquisa em aberto", disse Bruce Porter, diretor de ciências da SparkCognition, à Hart Energy. "Eles trouxeram para nós como estranhos da indústria de petróleo e gás. Não somos especialistas em petróleo e gás. Somos especialistas em aprendizado de máquina. Eles queriam ver se essa parceria - com nosso aprendizado de máquina e sua geociência - poderia quebrar a noz."

De acordo com Porter, eles têm. O resultado é o software SparkCognition Oil & Gas Exploration Advisor.

A SparkCognition detém sete patentes sobre as tecnologias desenvolvidas para acelerar o fluxo de trabalho de imagens sísmicas. A maioria dessas patentes são do processo de migração "de-noising", que esclarece as imagens da fase sísmica.

A duração do fluxo de trabalho de interpretação sísmica depende em grande parte de quantos dados de captura precisam ser processados, e a nova tecnologia da SparkCognition usa entre 1% e 3% dos dados de captura historicamente usados.

"Não somos especialistas em petróleo e gás. Somos especialistas em aprendizado de máquina. [Shell] queria ver se essa parceria - com nosso aprendizado de máquina e sua geociência - poderia quebrar a noz." - Bruce Porter, diretor de ciências, SparkCognition.

"Dada uma rede neural adequadamente treinada, se você prepará-la com alguns pontos de dados, neste caso, dados de tiro, a rede neural pode preencher todos os dados de tiro ausentes, os outros 99% a 97% dos dados de tiro que passa despercebido e não processado", disse ele. "O resultado é que essas redes neurais são capazes de fazer o que é chamado de etapa de inferência, que é gerar a imagem sísmica. Ela pode fazer isso em questão de segundos a minutos, preenchendo todos esses dados de disparo não vistos."

O resultado é que a grande maioria dos dados coletados não precisa ser processada, disse ele.

"Se isso leva a um produto de próxima geração em que a aquisição de dados de tiro é reduzida, isso é outro assunto", acrescentou.

Mas escolher as fotos a incluir ganha mais importância quando você está usando menos de 3% das fotos adquiridas.

Como disse Porter, "há tão poucos deles, os que você usa são importantes. Você não pode simplesmente escolher aleatoriamente".

A SparkCognition desenvolveu uma solução para permitir que as redes neurais selecionem 1% a 3% dos dados de captura que carregam mais informações e terão o maior impacto na geração de uma imagem precisa da subsuperfície. Embora os algoritmos executem o processo automatizado de seleção de tacadas, o sistema não é uma caixa preta completa, disse ele.

Ser capaz de ver o processo é importante, principalmente à luz de como algumas IAs generativas, como o Chat GPT, foram descontroladamente.

Porter disse que o software gera níveis de confiança ao lado de suas imagens geológicas de subsuperfície, e os intérpretes podem adicionar mais pontos de tiro e permitir que iterem as novas imagens de subsuperfície com mudanças correspondentes nos níveis de confiança da imagem.

"Você precisa da resposta certa. Você precisa obter a subestrutura geológica correta", disse ele. “É importante que eles não sejam caixas-pretas, precisa ser algo em que o humano confie e possa entender onde a rede neural está sendo criativa na elucidação da subsuperfície geológica e quando tem certeza de sua saída”.