Sztuczna inteligencja wspiera poszukiwanie ropy naftowej w basenach morskich

Naukowcy z Uniwersytetu w Ghanie opracowali nowatorskie podejście do analizy geologicznej wykorzystujące nienadzorowane uczenie maszynowe. Badanie, opublikowane w arXiv, przedstawia metodę klasyfikacji elektrofacji i charakteryzacji porowatości w morskim basenie Keta u wybrzeży Ghany, gdzie dane z rdzeni wiertniczych są rzadkie.

Zespół badawczy zastosował algorytm K-means do analizy sześciu standardowych profilowań geofizycznych z odwiertu C, obejmujących głębokość z około 11 195 próbkami. Wyniki zostały zaakceptowane na konferencję ICECET 2026.

Kluczowe wnioski

• Algorytm K-means zidentyfikował cztery wyraźne klastry w danych geofizycznych, osiągając średni współczynnik sylwetki około 0,50, co wskazuje na umiarkowane, ale znaczące rozdzielenie grup.
• Zidentyfikowane elektrofacje wykazują systematyczne, ciągłe wzorce głębokościowe związane ze zmianami zawartości iłu, porowatości i właściwości szkieletu skalnego.
• Badanie obejmowało analizę około 11 195 próbek z morskiego basenu Keta u wybrzeży Ghany, gdzie tradycyjne dane z rdzeni są ograniczone.
• Opracowana metodyka oferuje praktyczne narzędzie do wczesnej oceny formacji w nowych basenach morskich.

Metodologia i wyniki analizy

Badacze wykorzystali sześć standardowych profilowań geofizycznych do przeprowadzenia klastrowania w wielowymiarowej przestrzeni danych. Strukturę klastrowania oceniano przy użyciu diagnostyk bezwładności i współczynnika sylwetki, co zapewniło obiektywną ocenę jakości podziału.

Zidentyfikowane elektrofacje tworzą geologiczne kontinuum od jednostek zdominowanych przez łupki do czystszych jednostek zdominowanych przez piaskowce. Ten systematyczny rozkład wskazuje na naturalne geologiczne przejścia w badanym obszarze.

Znaczenie dla przemysłu naftowego

Opracowany przepływ pracy oferuje solidne i powtarzalne ramy do charakteryzacji geologicznej podpowierzchni, szczególnie wartościowe w obszarach o ograniczonych danych z rdzeni. Metoda wykorzystuje wyłącznie dane z profilowań geofizycznych, co czyni ją praktyczną dla wczesnych etapów eksploracji.

Badanie stanowi podstawę dla przyszłych zintegrowanych analiz geologicznych i może znaleźć zastosowanie w innych basenach morskich o podobnych ograniczeniach danych. Wyniki wskazują, że nienadzorowane uczenie maszynowe może skutecznie wspierać interpretację geologiczną nawet przy braku tradycyjnych źródeł danych.

Praca została przyjęta na konferencję ICECET 2026 i składa się z 7 stron zawierających 7 ilustracji przedstawiających wyniki analizy. Badanie może przyczynić się do rozwoju bardziej efektywnych metod eksploracji w trudno dostępnych obszarach morskich.