Геофизик Никита Дубиня объясняет, что робота придется научить думать по-человечески

В фантастических фильмах искусственный интеллект часто изображают в виде тонко чувствующего робота, который страдает оттого, что он не человек, или, наоборот, агрессивной машины, мечтающей расправиться со своим незадачливым биологическим соседом по планете.

Что же сегодня представляет собой искусственный интеллект? Каким образом он может применяться, например, в геофизике? Правда ли, что сегодня в этой области научных и прикладных исследований он совершенно незаменим и почему? Об этом рассказывает Никита Дубиня, ведущий научный сотрудник Института физики Земли РАН, заместитель заведующего кафедрой прикладной геофизики МФТИ, кандидат физико-математических наук.

Извлечь и сдавить

Наша лаборатория занимается различными вопросами, связанными с освоением и разработкой месторождений полезных ископаемых, в первую очередь углеводородов, начиная от разведки и заканчивая вопросами бурения — в том числе вопросами выбора стратегии бурения.

Вообще в геофизике методы искусственного интеллекта начали применять в конце XX века. Именно тогда методы машинного обучения и искусственный интеллект развились в достаточной степени, для того чтобы решать актуальные задачи геофизики.

На первых этапах решались довольно простые задачи поиска связей между разными данными, необходимыми при освоении и разработке месторождений. Так, например, одна из первых задач заключалась в том, чтобы искать скрытые связи между результатами лабораторных исследований на образцах, отобранных с месторождений, и данными скважинных исследований.

Одна из ключевых проблем геофизики — невозможность детально исследовать целые массивы горных пород. Как правило, мы можем говорить о распределении общих свойств в массиве, однако возможность определять отдельные свойства породы существует только в лабораторных условиях.

Пример — важные для задач бурения упругие и прочностные свойства горных пород. У нас есть возможность провести сейсморазведку и определить упругие свойства пород, однако прочностные свойства — с какими силами нужно сжать породу, чтобы она сломалась — сложно определить для всего массива. Лучшее, что можно сделать,— извлечь из массива образец, поставить его под пресс, сдавить и определить прочность. Как же эту прочность распределить на целый объем?

Искусственный интеллект ищет разломы

Здесь как раз может помочь искусственный интеллект: если мы для одной и той же точки в пространстве, из которой извлекли образец, знаем и упругие, и прочностные свойства, то можем установить связь между этими свойствами. Если таких точек много, мы можем попробовать установить и глобальные тренды.

Первые работы ИИ в области нефтегазовой геофизики как раз и были связаны с поисками таких трендов: результаты лабораторных и полевых исследований использовались для обучения и настройки нейронных сетей, находящих общие тенденции там, где человеческий глаз может быть неспособен их обнаружить.

Следующая группа работ была нацелена именно на анализ сейсмических данных — в частности, чтобы в автоматическом режиме искать на сейсмических картинах отдельные геологические объекты, например, крупные разломы.

Опытный интерпретатор может найти на сейсмической картине отдельный объект. Кроме того, он может проследить положение этого объекта на соседних сейсмических картинах, а также найти область его влияния. Исследователи занимались тем, чтобы научить ИИ тому же самому: нужно было не только найти какой-то объект на сейсмической картине, но и посмотреть его отражение на соседних срезах.

Когда данных слишком мало

Также в 2000–2010-х годах методы искусственного интеллекта использовались для районирования — для определения того, какие участки массива горных пород принадлежат к тому или иному типу. Как и в предыдущем случае, опыт экспертов-интерпретаторов использовался для обучения.

Важное направление — синтез новых данных: в геофизике данных бывает не только слишком много, когда на их анализ уходит длительное время, но и слишком мало — когда существующих данных не хватает для качественной интерпретации. Так вот, для этого случая методы искусственного интеллекта могут быть использованы, чтобы синтезировать данные похожие, но не повторяющие их в точности.

Расширяя массив данных подобным образом, мы можем применять специальные методы, уже развитые раньше. Есть интересные примеры такого применения искусственного интеллекта: часто, даже извлекая образцы горных пород, мы не знаем, какова их внутренняя структура, мы можем только посмотреть на то, как выглядят срезы этой породы.

Ставится задача: можем ли мы представить себе, как могла бы выглядеть объемная модель пустот и трещин в породе, основываясь только на срезе этой породы. Здесь искусственный интеллект позволяет быстро построить разные модели, которые бы по своим характеристикам согласовывались, с одной стороны, с результатами исследований на срезах, а с другой — соответствовали бы общим представлениям о том, как такие породы должны быть сложены.

Увидеть камни и водоросли на дне морском

В нефтегазовом деле в последние годы все больше задач переходит в полуавтоматический режим. Причем это могут быть не только задачи интерпретации данных, но и выработка рекомендаций по принятию решений. Существуют, например, работы, посвященные тому, чтобы в автоматическом режиме отслеживать нарушения работы отдельных элементов всей инфраструктуры на месторождении и давать рекомендации, как оперативно реагировать на эти нарушения, чтобы избежать аварий.

В свое время была разработана система, подсказывающая, как следует изменять режим работы скважин на основании замеров: где стоит увеличить давление, где уменьшить, чтобы поддерживать высокие темпы извлечения полезных ископаемых и запланированный коэффициент извлечения нефти.

Существуют и другие, в меньшей степени связанные непосредственно с разработкой месторождений области применения искусственного интеллекта. Так, автоматический анализ данных с камер успешно применяется при подводных исследованиях. Там достигаются удивительные результаты: если установить на подводный аппарат камеру, в автоматическом режиме выделяются не только отдельные статичные объекты — камни, лежащие на дне, водоросли,— но и, например, косяки рыб, проплывающих мимо аппарата. В задачах прикладной геофизики эти методы используются, например, для анализа состояния подводных и подземных частей объектов инфраструктуры.

Сложно и опасно

Надо сказать, бурение скважин — это процесс небезопасный. Всем известна авария в Мексиканском заливе, но есть и множество других, не столь крупных аварий, тем не менее наносящих ущерб. Как известно, природа не терпит пустоты, и если мы проделали в породе дырку, она будет стремиться эту пустоту компенсировать. В результате может произойти что угодно — от выбросов газа до схлопывания скважины при бурении. В первую очередь речь тут идет об экологических рисках — разнообразные выбросы могут приводить к изменениям экосистемы.

Мы придумали, как можно использовать системы искусственного интеллекта для снижения таких рисков. Мы работаем по гранту РНФ «Оценка рисков при бурении на основе геофизических данных, геомеханического моделирования и методов системного анализа». Обычно, перед тем как начать бурить, мы уже имеем какое-то представление об этой области. Значительная часть этой информации получается с помощью сейсморазведки. Эксперты-интерпретаторы смотрят на полученные картины и говорят: вот здесь нам что-то не нравится, здесь лучше не бурить, а здесь все нормально, проблем нет.

Научиться у человека

Наша идея заключается в том, что методы искусственного интеллекта, например, компьютерного зрения, могут точно так же смотреть на данные сейсморазведки и учиться на том, что эксперты в тех или иных случаях говорят. Как видеокамера «смотрит» и находит человека, так и эти системы могут научиться распознавать потенциально опасные участки.

Такой подход меняет многое. Мы избегаем субъективности, поскольку обучение происходит на оценках разных интерпретаторов. Говорят, что при взгляде на одни и те же данные у двух геологов возникает три разных мнения. Если наш ИИ будет учиться на результатах разных экспертов, то он может систематизировать эту информацию и выбрать наиболее объективную. Это беспристрастный механизм оценки геофизических рисков.

Еще один бесспорный плюс — анализ таких сейсмических данных чрезвычайно трудоемкий. Над одним набором данных приходится корпеть от нескольких дней до месяца, а картинок много — сотни и тысячи. Понятно, что машина проанализирует их на порядки быстрее. Получается огромная экономия человеческих ресурсов. Эту задачу пытаются решать во всем мире, однако таким способом оценивать риски при бурении не придумал еще никто.

Не просто теория

Наша разработка не просто теория. Мы успешно ее применили, и работаем уже четвертый год на нескольких крупных месторождениях на шельфах Каспийского, Черного моря и в Арктической зоне. Мы их посмотрели, проанализировали, показали экспертам и получили их оценку, после чего применили наши методы и на конкретных объектах выделили потенциально опасные зоны. Еще одна особенность нашей разработки в том, что мы говорим не об опасности вообще, а о том, насколько это опасно, выдавая конкретные числа. Таким образом мы выдали недропользователю прогнозную карту рисков при бурении — в каких областях стоит бурить, в каких нет и насколько бурение опасно. В соответствии с нашими рекомендациями было принято решение о переносе буровой установки на шельфе Каспийского моря на несколько десятков метров в сторону.

Другой момент — на шельфе Черного моря возник вопрос: сейсморазведку мы провели, но ее результаты могут начать устаревать. Если вы провели разведку сегодня, а бурить начали через три года, насколько этим данным можно доверять?

В последний год мы занимались выяснением вопроса устаревания исходных данных. На шельфе Черного моря сейсморазведку провели в 2019 году и повторно на том же участке в 2022-м. Можно было посмотреть, как бы мы ошиблись, если бы поверили старым данным. По нашим расчетам получилось, что оценочные риски в активных зонах на 20 процентов за три года изменились. На этом основании тоже можно делать рекомендации, в каких случаях можно делать поправку на эти 20 процентов, а в каких у нас нет для этого потенциальных предпосылок. Здесь тоже помог ИИ — с его помощью можно понять, где такие данные не будут существенно устаревать.

Источник обучения для искусственного интеллекта — всегда действия людей, экспертов, принимающих такие решения. Но математически формализировать действия эксперта очень трудно — многие из них чаще руководствуются не набором формальных правил, а собственным опытом, профессиональным чутьем. Какое же чутье может быть у машины?

Так вот, хорошо разработанная система ИИ должна не только стремиться достичь определенной объективности, но и улавливать это чутье. Так что наш искусственный интеллект — «умный» помощник человека, можно сказать, наделенный своего рода интуицией.

Подготовила Наталия Лескова