Одна из задач геолога – документирование керна. И пока некоторые компании уже описывают керн с помощью искусственного интеллекта (ИИ) по фотографиям за 40 минут, другие до сих пор работают вручную и тратят на те же задачи часы. Часто причина не в том, что, к примеру, технологии дорогие (это не так), а в человеческих страхах: вдруг для меня будет слишком сложно научиться новому? А вдруг ИИ ошибается? Или наоборот – окажется слишком хорош и оставит меня без работы?
Разбираемся, как искусственный интеллект помогает описывать керн, можно ли ему доверять и почему геолог всё равно остаётся неотъемлемой частью процесса. Мы поговорили с Евгением Барабошкиным, геологом и разработчиком ИИ-инструментов из Digital Petroleum, чтобы объяснить, как это работает на практике.
Как ИИ вообще может «увидеть» керн?
ИИ достаточно новая технология и для многих она кажется «черным ящиком», который непонятно каким образом выдает информацию. На самом деле, все не так сложно, как кажется на первый взгляд. В основе программы, умеющей узнавать керн по фото, лежат алгоритмы машинного обучения, в частности сверточные нейронные сети.
Подробно о принципах работы ИИ в геологических задачах и видах нейронных сетей мы рассказывали здесь: «Интеллектуальный помощник геолога. Как искусственный интеллект делает добычу полезных ископаемых умнее».
Технологию свертки разработчики выбрали потому, что она отлично справляется с задачей по извлечению информации из изображений с помощью применения различных фильтров и выделяет паттерны.
Что же ИИ видит на фото?
- Цвет и минеральный состав, например, красный — это окислы железа, серый — глины, тёмно-коричневый — органика.
- Текстуру и слоистость, то есть распознаёт тонкослоистые, массивные, косослоистые, перекрёстные текстуры, а еще выделяет границы пластов, литологические переходы.
- Трещины и разрывы: алгоритм фиксирует естественные трещины (открытые, минерализованные), техногенные повреждения и оценивает их ориентацию, плотность, морфологию.
- Пористость и каверны, например, ИИ выявляет пустоты (по контрасту на изображении), оценивает их размер и распределение.
- Включения и аномалии, то есть видит конкреции, кероген, пирит, карбонатные прожилки и др.
Доверяй, но проверяй. Кто учит и несет ответственность за нейросеть?
Когда компания-заказчик обращается за внедрением ИИ, у неё уже обычно есть база изображений керна и предварительные описания пород. Разработчик начинает с анализа этих данных: проводит предразметку, связывает фотографии с глубиной, выявляет несоответствия. Затем эксперт из компании — геолог, знакомый с объектом — проверяет и корректирует эти данные. Только после этого они превращаются в обучающую выборку для алгоритма.
Далее алгоритм вновь проходит дообучение. Дело в том, что при автоматическом описании керна нужно не просто определить какие-то параметры, а учесть их вариации. Потому что на каждом участке керн имеет особенности: где-то он более серый, где-то более тёмный, и могут быть различные отклонения. В любом случае, без опыта геолога алгоритм не обучить.
«При описании горных пород есть некоторая база данных, есть изображение керна, и дальше эта информация изначально передается нам. Мы ее предразмещаем. У нас есть алгоритмы для автоматического изучения и увязки изображений по глубине. И дальше начинается процесс дополнительной проверки данных со стороны экспертов-геологов. И после этого мы снова его проверяем, чтобы подготовить обучающую выборку».
Евгений Барабошкин
Итак, в большинстве случаев, систему предобучают и далее адаптируют под конкретное месторождение. На каждом объекте свои нюансы, два разных предприятия могут одну и ту же породу называть по-разному, и все разночтения и специфичные параметры нужно учесть. Термины и классы можно перенастроить в программе под принятые на месторождении. Поэтому систему дополнительно «кормят» данными, построенными на классификации конкретного заказчика
«Часто компании просят нас научить систему определять трещиноватость и подсчитывать RQD (степень трещиноватости породы) — эти параметры встречаются и в нефтяных, и в рудных кернах, и работают примерно одинаково. Но если задача — распознать, например, пирит, то здесь уже нужна дополнительная настройка: то, чему алгоритм научился на нефтяных образцах, в рудной отрасли может не сработать, и придётся дообучать модель на новых данных. То есть некоторые характеристики — общие, и для их обнаружения достаточно обучить алгоритм один раз».
Евгений Барабошкин
А если ИИ ошибается? Кто контролирует машину?
ИИ считается надежным инструментом для анализа данных, но даже самые продвинутые алгоритмы могут ошибаться — так же, как и человек. Однако, в отличие от геолога в конце смены, машина не устает, не спешит, у нее не замыливается глаз. Нейросеть не работает вслепую, она зависит от эксперта. Ошибки системы проверяются вручную на старте, геолог вносит правки, и система обучается на этих корректировках. Чем дольше она работает на объекте, тем точнее становится.
«Алгоритм внутри себя формирует фильтры, которые с каждым циклом обучения всё точнее извлекают нужную информацию. Он может учитывать десятки, сотни и даже миллионы факторов — больше, чем может удержать в голове один человек».
Евгений Барабошкин
Нужно учитывать, что ИИ строит прогнозы, ориентируясь на прошлое. Но что, если случится что-то непредвиденное? Геологи постоянно получают новые данные, всегда может появиться еще какой-то класс породы, который не был учтен. Земная «лаборатория» ведет себя непредсказуемо. Может пойти трещина, а там обнаружатся породы в другом состоянии и под другим давлением. Поэтому системе регулярно требуется обновление и корректировка под надзором опытного геолога.
Было 5 часов, стало 40 минут
Раньше на детальное описание 50 метров керна в масштабе 1:10 для задач седиментологии уходило несколько часов ручной работы. С помощью ИИ это теперь занимает всего 40 минут. Машина анализирует 16 ящиков в минуту, а скорость классификации образцов – 4,2 метра керна в секунду, то есть машина выдает результат примерно за 2 минуты, оставшееся время специалист уходит на детальную проверку результатов. Благодаря совместной работе специалиста и машины улучшается детальность и точность описания, а также повышается качество описания, если работает молодой специалист.
Как это происходит? В программе DeepCore геолог загружает фотографии керна — достаточно указать параметры глубины и высоту образцов, а система автоматически выделяет керн на изображении. Затем объединяет его в единую колонку, которую можно выгрузить в нужный формат или сразу классифицировать. Специалист выбирает алгоритм, просматривает результат и при необходимости корректирует классификацию вручную. За точность отвечает не только нейросеть, но и специалист, который её обучил.
Чтобы увидеть, как на практике происходит автоматическая классификация керна, мы “нарезали” скрины непосредственно из программы.
10 метров керна до старта: сколько занимает внедрение системы автоматического описания керна на основе ИИ
Внедрение ИИ-инструмента для описания керна — это не многомесячный ИТ-проект. По словам Евгения Барабошкина, при хорошей коммуникации между заказчиком и разработчиком и наличии исходных данных внедрение занимает всего месяц. Из них:
- 2 недели уходит на подготовку и адаптацию данных совместно с заказчиком,
- ещё 2 недели — на дообучение модели и тестирование в реальных условиях.
Иногда срок растягивается до 2–3 месяцев, но это только в том случае, если возникают проблемы с качеством исходных данных или их увязкой. Поэтому на этом этапе очень важно поработать с той информацией, которую разработчик будет вливать в систему. А если изображения керна однотипные, с одними и теми же породами, алгоритм не сможет научиться различать сложные вариации.
Для точного старта нужно от 10 метров керна на 1 класс породы
«Мы постоянно на связи с коллегами, чтобы те или иные вопросы решать. Наш процесс оптимизирован — обычно укладываемся в месяц, иногда чуть больше. Но базовый запуск — это не что-то сложное».
Евгений Барабошкин
Геологи и ИИ: конкуренты или союзники
Одно из главных опасений специалистов — что ИИ лишит их работы. Особенно это касается геологов-документаторов, которые вручную описывают керн и загружают данные в систему.
Это напрасное предубеждение. ИИ не заменяет умного, образованного геолога с огромным багажом знаний в голове, а работает в связке и под чутким руководством эксперта.
Модель по описанию керна обучается на базе данных, вручную размеченных специалистом. Геолог передает системе свой опыт, знания и логику анализа. Без этого ИИ работать не сможет. Более того — после автоматического описания эксперт всё равно проверяет результат, корректирует ошибки, и эти правки идут на дообучение модели. Без постоянного контроля со стороны эксперта алгоритм со временем деградирует и начнет выдавать ошибки.
Поэтому не нужно ждать, что ИИ все за вас сделает. Но ряд проблем при работе с керном он может решить уже сейчас:
- Избавить от рутинных задач. Например, автоматическая разметка трещиноватости по фото позволяет не считать RQD вручную по каждому метру керна. Алгоритм сам считает и выделяет трещины, а геолог лишь проверяет.
- Ускорить темпы документации. Вместо нескольких часов специалист справляется с задачей за 40 минут и успевает сделать в 5–7 раз больше.
- Упростить процедуры передокументации. В архивах до сих пор хранятся тысячи ящиков с керном, сфотографированных 10–20 лет назад. Раньше их пересмотр требовал недель, теперь достаточно загрузить фото и запустить классификацию.
- Снизить влияние человеческого фактора. Когда геолог устал, он может просмотреть детали.
Почему ИИ внедряется медленно, несмотря на эффективность?
Проекты по внедрению ИИ пока ведутся компаниями точечно. Геологи-документаторы поделились с нами, что при описании керна у них до сих пор все делается руками и глазами, и никакие свои задачи эксперт не отдаст ИИ.
3 причины, которые тормозят внедрение ИИ:
- «Работает и так»: Многие компании, особенно с госучастием, десятилетиями используют одни и те же методы (бумажные отчёты, ручной анализ керна). Руководство не видят безотлагательной необходимости для внедрений и не все могут посчитать ROI.
- Страх перед ошибками: Геологи опасаются, что ИИ «наломает дров» в интерпретации данных, а ответственность за ошибки ляжет на них.
- Миф о замене людей: Часть специалистов считает, что автоматизация угрожает их работе, хотя на деле ИИ лишь устраняет рутину.
Если рутинные задачи уйдут к ИИ, то чем займётся геолог?
Документаторы по-прежнему нужны, но их роль постепенно меняется. Все больше процессов переводят на “цифру”, поэтому, чтобы расти, геологам нужно развивать свои ИТ-компетенции. Появился спрос на специалистов, способных связать геологию и машинное обучение, таких как геолог-программист, дата-геолог, аналитик геоданных. Поэтому сейчас самое время, чтобы учиться работать с программами, скриптами, разбираться в логике алгоритмов, понимать, как дообучать нейросеть. Некоторые ВУЗы уже вводят соответствующие курсы, например, в МГУ и СПбГУ, а крупные компании проводят корпоративные курсы по цифровизации. Без ИТ-навыков специалист рискует через несколько лет остаться за бортом профессии, как геодезисты с теодолитами после появления GPS.
«По моим ощущениям, а я путь прошел от геолога до геолога-программиста, изучение именно языков программирования сильно облегчает жизнь, в очень разных направлениях. То есть, соединение условной базы данных, с которой вы работаете, с языком программирования, с тем же Python, позволяет писать скрипты. Всегда есть некоторый набор действий, которые вы так или иначе делаете с данными, и которые можно автоматизировать. Знание языка программирования хорошо помогает самостоятельно создать такой скрипт».
Евгений Барабошкин
Как будет развиваться ИИ в геологии дальше?
ИИ в геологии — естественный ход эволюции отрасли. Он не оставит без работы, но изменит ее суть. Те, кто научится работать с алгоритмами, получат преимущество — как в эффективности, так и в карьере. Например, такие компании как Роснефть, Норникель, Алроса уже ищут геологов, владеющих GIS, основами программирования и машинного обучения. Зарплаты таких специалистов на 30–50% выше.
Развитие ИТ-компетенций для геологов перестало быть опциональным — это необходимость, продиктованная временем. А вот профессии, основанные на повторяющейся ручной рутине, будут сокращаться.
Как отметил Евгений Барабошкин, «связующие звенья между наукой, ИИ и производством — те, кто понимает и поле, и код», это и есть геологи нового поколения.
ИИ в российской геологии — не вопрос наличия или отсутствия технологий, а проблема управления и консервативного мышления. Компании, которые преодолеют страх изменений и инвестируют в цифровизацию, получат преимущество уже в ближайшие 5 лет, а отстающие рискуют стать неконкурентоспособными через 2–3 года.
Для тех, кто ещё сомневается: ИИ не «заменит геологов», но геологи, использующие ИИ, заменят тех, кто его игнорирует.
Расскажите, а вы уже используете цифровые инструменты или пока документируете керн вручную? Поделитесь в комментариях.
Юлия
Я не буду касаться вопрос применения ИИ для других задач, не связанных с описанием керна. Несколько вопросов. При описании керна техником геологом, специалист даже с минимум знаний заметит, что керн перевернут при укладке, такое встречается часто, перепутаны интервалы, он сам может домыслить и описать сильно разрушенный керн. Также одновременно с описанием геолог сразу размечает интервалы опробования. Эти задачи реализованы в программах ИИ?
Мария
Спасибо большое за вопросы — они действительно по делу и затрагивают практические детали, которые часто остаются за кадром. Мы обязательно передадим их эксперту и, как только получим ответ, опубликуем комментарий под статьёй. Следите за обновлениями — будем рады продолжить обсуждение!
Евгений Барабошкин
Юлия, спасибо за вопросы. По части укладки — есть ряд задач, которые решать можно, но пока что запрос на них не столь велик, поскольку проще решить человеку, как вы верно заметили — с ними справится любой. По опыту — разрушенный керн до породы алгоритмы вполне определяют, если же какие-то специфичные текстуры — тут лучше справится человек, поэтому и алгоритмы ни в коем случае не замещают геолога, а помогают ему решать его задачи быстрее.
По поводу разметки интервалов — да, это решаемая задача, например, можно выставить, какое количество образцов из каких типов пород нужно, и алгоритм, основываясь на различных правилах, которые вы в него можете добавить с помощью разработчика (например, избегать трещиноватый и разрушенный керн), предложит места отбора.
Юлия
Спасибо за ответ
Алексей
Здравствуйте! Было бы здорово ещё узнать, доступны ли геологические ИИ простым специалистам для освоения (а не только предприятиям с большими бюджетами)
Евгений Барабошкин
Зависит от политики компаний, в целом — всегда можно договориться, если согласиться на ряд ограничений 😉
Также есть ряд Open Source решений (к сожалению, не знаю, что конкретно интересует), которые могут быть полезны. Как раз для этого и нужны хотя бы минимальные знания программирования (например, уметь запускать скрипт из терминала, чтобы запустить приложение).
Дмитрий
1. Есть ли статистика по сходимости документации ИИ и документации опытного геолога, особенно в выделении геологических интервалов и описании текстур, структур, пород, определении состава прожилков, рудной минерализации?
2. Где возьмёт ИИ «опыт» на новом объекте изучения, на котором планируется, к примеру, одна-две скважины?
3. Написано, что после документации ИИ керна, геолог проверяет, так вот сколько времени потратит геолог на проверку?
Павел
Моё лично тестирование copilot в программировании показало, что ИИ даёт настолько хорошо замаскированные ошибки, что на их поиск уходит больше времени, чем на написание программы с нуля, не думаю что в предметных областях ситуация лучше
Евгений Барабошкин
Павел, интересно, лично я пользуюсь GigaCode и YandexGPT — в целом мои задачи они решают. Например, препроцессинг данных и написание ряда вещей на новых для меня языках программирования. При этом есть некоторая зависимость от изначального промта — чем лучше вы понимаете задачу, тем лучше будет финальное решение, также результат зависит от наличия обучающих выборок — для Python данных сильно больше, и на этом языке результат, как правило, лучше. Недавно, кстати, рассказывал на семинаре АГГИ про решение задач создания препроцессоров с помощью языковых моделей. Относительно Copilot я мало положительных отзывов слышал.
Евгений Барабошкин
Спасибо за вопросы!
1. Да, есть, от скважины к скважине и в зависимости от типа задачи она может меняться, при небольшом количестве данных может варьироваться от 70 до 95%, в некоторых случаях может быть ниже. Интересно, что между двух геологов эта статистика такая же и зависит от опыта, точки зрения и прочих переменных. И в том, и в другом случае можно применить различный препроцессинг для улучшения результатов.
Важно: здесь речь про среднюю точность, например, может быть 90 метров пород одного наиболее встречаемого класса, 5% из которых описано неправильно, и ещё 10 метров редких классов, 90% из которых описаны неверно, при этом общая точность будет в районе 80%. Тем не менее методика позволяет не тратить время на описание 85 метров и сосредоточить внимание на оставшихся 15 метрах, за счет чего и повышается скорость получения информации (об этом – ниже) и её ценность.
2. Можно рассмотреть несколько ситуаций: ранее были схожие объекты, тогда специалист, который работает совместно с ИИ, может выбрать наиболее подходящий алгоритм для предописания и также ускорить работу с объектом, хоть и не настолько значительно, если работа над объектом продолжится, можно будет дообучить алгоритм. Если же породы или характеристики совсем новые (хотя, например, цвет и трещиноватость/разрушенность керна, скорее всего, можно будет описать), то на специалиста ляжет большая часть работы, можно будет только попробовать предразметить слои или разности пород с помощью кластеризации.
3. Да, за человеком остается проверка, в среднем на начальных этапах работы с алгоритмами общее ускорение примерно в 7 раз (на что уходило 5 часов, делается за 40 минут, включая проверку), эта зависимость наблюдается как с нефтегазовым, так и с горнорудным керном.