Machine Learning in Geoscience; Weakly-Supervised Seismic Facies Interpretation

Seismologi brukes I dag blant annet for a registrere jordskjelv og for å avbilde jordas indre, ved å registrere seismiske bølger som reflekteres av lag i undergrunnen. Seismisk avbildning likner på metoder tatt i bruk i medisinsk avbildning, som for eksempel CT skanning. Geofysikere analyserer de seismiske dataene for å forstå undergrunnen, og får å lete etter reservoarer med olje, gass eller vann. Noen typer bergarter og geologiske strukturer er av spesiell interesse for dette. Det å klassifisere bergarter og deres stratigrafiske karakteristikker i seismisk data kalles «seismisk facies». Det å manuelt tolke og analysere seismiske facies er tidkrevende, og ved å ta i bruk digitale hjelpemidler som maskinlæringsalgoritmer kan bidra til å raskt gi informasjon om seismiske data og seismiske facies. I andre industrier brukes maskinlæring allerede til å klassifisere tekst og bilder, og mange av disse metodene kan vi ta i bruk i geofysikken på seismiske data. Slik kan vi redusere tidkrevende og repetitive oppgaver, og gi rom for mer tid til kreativ analyse.

The proposed doctoral work will focus on the application and development of new data-driven methods that take advantage of existing knowledge in the fields of image processing, signal processing, and machine learning (ML). This will involve exploring both supervised and unsupervised machine learning algorithms, and possibly combining them in a practice called weakly-supervised learning. The developed methods will aim to be generalizable, and thus independent of the seismic survey data they are applied to. In the development of these methods the candidate will use geophysical data from the Norwegian continental shelf (NCS) provided by Lundin Energy Norway. This data will include seismic surveys, well logs, and cutting images (from the Released Well Initiative), in addition to synthetically-modelled seismic data. In short, the the candidate's research will explore the following: • Use state of the art supervised, unsupervised, and weakly-supervised ML network architectures, and apply them to seismic facies identification and classification. • Improve the training optimization of ML algorithms to learn seismic stratigraphy from available subsurface data (3D seismic data, well logs, and cutting images). • Develop more optimal representations of seismic character and geometry usingsynthetically-modelled seismic stratigraphic patterns. The use of such synthetic data has two main purposes, (1) as labels for a supervised or weakly-supervised approach, and (2) as benchmark data for quantitative evaluation of new methods.