November 13, 2018
CGI Advanced Analytics Solutions bruker dyplæring for å hjelpe Aker BP med å gjøre nye funn.

Når Aker BP leter etter mulige forekomster av olje og gass på havbunnen er det en omfattende og tidkrevende prosess. Alt som kan bidra til å effektivisere denne prosessen er gull verdt. Og i jakten på det sorte gull kan det vise seg at noe av den mest spennende teknologien, brukt på en noe uventet måte, kan bidra til nettopp det.

I et samarbeidsprosjekt med Aker BP har CGI Advanced Analytics Solutions gjennomført et dyplæringsprosjekt for seismiske data i 3D. CGI-teamet har jobbet tett med geofysikere fra Aker BP for å lage et koderammeverk. Dette rammeverket er basert på åpne verktøy og standarder og har brukt GPU-akselerert (grafikkprosessor) dyplæring på datakildene.

– På fagspråket ville vi si at vi har benyttet nevrale nettverk for å predikere horisonter og forkastninger i seismiske data, sier Thea Knudsen, som er Data Scientist i Advanced Analytics Solutions i CGI.

Nøkkelen var bildegjenkjenning

Aker BP ønsket gjennom et utforskningsprosjekt å se på om det fantes andre måter å analysere disse enorme mengdene med data. Vanligvis er dette en prosess der tolkere (geofysikere og geologer) manuelt ser på de todimensjonale snittbildene av havbunnen og merker opp hva som er hva. Dette er en ekstremt tidkrevende jobb, som heller kunne blitt brukt til å se nærmere på mulige forekomster.

– Aker BP lurte på om det var mulig å bruke maskinlæring til leting, forklarer Knudsen. – Og det mente vi det var. Vi har brukt maskinlæring, mer nøyaktig algoritmer for bildegjenkjenning, som kan trenes opp til å gjenkjenne potensielt interessante forekomster.
 

Tverrsnitt av havbunnen som viser lagvise bergarter og forkastninger. Seismiske data samlet av USGS i Mexicogulfen. Public Domain, https://en.wikipedia.org/w/index.php?curid=5762435

 

Kartlegging av havbunnen

Først kartlegges utvalgte havområder ved hjelp av fartøyer med utstyr for innsamling av seismikk – en metode der lyd brukes for å kartlegge fortetninger i bergmassene i havbunnen. Disse dataene gjøres om til bilder og visuelle fremstillinger av de ulike lagene havbunnen består av, lik et tverrsnitt av havbunnen. De mange tusenvis av slike bilder, kalt seismic slices, danner utgangspunktet for videre analyse.

– Det dreier seg om en kontinuerlig blokk av 3D-data av havbunnen, som vi trekker ut data og lager bilder fra, forklarer Knudsen. – Det er et kjempeprosjekt i seg selv bare å hente ut dataene. Da brukes skip utstyrt med seismiske kilder og flere kilometer lange slep med hydrofoner.
 

Layout på en marine seismic survey som bruker tauede streamers. By Nwhit - Own work, CC BY-SA 3.0, https://commons.wikimedia.org/w/index.php?curid=18527767

 

Når et seismisk signal sendes fra seismikkskipet, reflekteres lydbølgene i de ulike sediment- og havbunnlagene, og plukkes opp igjen av hydrofonene langs seismiske kabelen. Signalene som da plukkes opp avdekker informasjon om tetthet og dybde på de ulike lagene i havbunnen.

– Vi ser ikke på direkte oljeforekomster, men horisontene, enkle refleksjonslag i havbunnen, og forkastninger i bergartene. Et varmekart, eller heatmap, avslører sannsynligheten for eksempelvis forkastninger. I koderammeverket vi har bygget opp tar vi inn disse dataene og kjører de gjennom våre maskinlæringsalgoritmer. Da ser vi om det er elementer som vi kan kjenne igjen.

Algoritmer som lærer

For å klare å se hvilke muligheter og elementer som kan passe sammen til et prosjekt som dette kreves også en viss grad av kreativitet. En viktig del av prosjektet var dataprosesseringen – uten gode data inn får man ikke gode resultater ut.

– I starten må vi tenke på hvilke algoritmer vi skal bruke, hvordan man skal prosessere dataene og lage bakgrunnsrammeverket, matche dem med fasitene, og så få det ut i et format som kan puttes inn i en slik modell. Alle disse elementene tar mye tid, sier Knudsen.

Selve opplæringen av algoritmen foregår ved at den mates med treningsdata som er merket med en fasit, det vil si at et 2D-bilde er markert der det finnes for eksempel en forkastning. Læreprosessen er iterativ, der algoritmen først vil lære seg å kjenne igjen små deler av bildet, og etter hvert hele forkastninger eller horisonter.

– Når algoritmen kan skille ut interessante strukturer vet geofysikerne godt hva de skal se etter som kan indikere funn, sier Knudsen.

Suksess med ny teknologi

Prosjektet er allerede avsluttet, og har vært å betrakte som et Forskning og Utviklingsprosjekt.

– Hele poenget med prosjektet, var å se om det gikk an å bruke bildegjenkjenning på denne typen data. Og det ser ut som det helt klart kan ha noe for seg, sier Knudsen. – Når vi ser på resultatene vi har fått, har vi med bildegjenkjenning og dyplæring klart å gjenkjenne forkastninger og horisonter.

Det er selvfølgelig ikke så enkelt at man uten videre kan si at det går an å finne olje fra kontorpulten, men med moderne teknologi og datakraft er det likevel ikke veldig langt unna sannheten. En slik effektivisering av leteprosessene kan bety store besparelser, og frigi tid som kan brukes til å jobbe enda mer med de mest verdiskapende oppgavene. Etter som naturressursene blir mindre og fokus på energikilder går i nye retninger er mulighetene som CGI Advanced Analytics Solutions kan bidra med spesielt relevante.

– Bruken av dyplæring til bildegjenkjenning og prediksjon, sammen med store datamengder, kan i andre konfigurasjoner også bety uante og verdifulle muligheter innen helt andre bransjer og formål,  avslutter Knudsen.

Toppbilde: Kompositt av bilder fra unsplash.com
Øvrige bilder: Wikipedia, public domain eller Creative Commons