Semi-supervised facies classification based on spatial pseudo-labeling strategy

Abstract

정량적 암상(facies) 분류는 저류층 속성을 평가하기 위해 탄성파 자료와 리소그래피를 연결하는 데 중요한 역할을 한다. 지난 몇 년간, 탄성파 자료의 양은 전문가들이 암상을 분류하기가 어려운 정도까지 증가하였고 이를 효율적으로 분류하기 위한 머신 러닝 접근법의 개발되었다. 머신 러닝을 이용한 암상분류 방법은 훈련에 많은 양의 자료를 필요로 한다. 하지만, 레이블 자료 (물리검층 자료)는 다양한 제약 조건에 의해 제한되며 획득하기에는 비용이 많이 드는 반면 레이블이 없는 자료 (탄성파 자료)는 풍부하다. 이 논문에서는 의사 레이블링을 사용하는 준지도 학습 접근 방식을 사용하여 암상를 예측하는데에 자료가 부족한 문제점을 극복하고자 하였다. 시추공 근처에서 부터 소량의 자료를 예측하고 예측된 자료 중 신뢰도 높은 결과 (95 % 신뢰 구간에 속하는 결과)를 레이블 자료로 지정하여 훈련하고 점차 시추공에서 멀어짐에 따라 이 작업을 반복적으로 수행한다. 즉, 시추공 근처의 레이블이 없는 자료에서 얻은 레이블 ( "의사 레이블이있는 자료"라고 함)은 레이블이 지정된 자료에 추가되어 반복적으로 딥러닝 모델을 재교육한다. 공간적 의사 레이블의 추가는 딥러닝 모델에 시추공으로부터 멀어지면서 생기는 리소그래피의 수평적 변화를 설명하는 다양성을 추가한다. 제안된 방법을 사용하면 의사 레이블이 지정된 자료가 포함되어 제한된 양의 레이블의 한계를 극복할 수 있기 때문에 분류기의 정확도를 크게 향상시킬 수 있으며 측면 연속성이 향상된다. 또한, 제안된 방법은 지도 학습 방법을 통해 얻은 각각 91 %의 테스트 정확도와 0.6의 로그 손실에 비해 96.7 % 및 0.15를 달성하여 기존 방법보다 성능이 우수했다.; Quantitative facies classification plays a key role in linking seismic data with lithology to evaluate important reservoir properties. During the past several years, seismic volumes have increased to the extent that it is challenging for experts to examine every seismic volume to classify the facies. Geoscientists are tasked with interpreting enormous amounts of unclassified data using very little labeled data. This has motivated the development of machine learning approaches to efficiently predict seismic facies. These machine learning models need huge amount of labeled data for training. However, labeled data (i.e., well log data) are limited by various constraints and are very expensive to obtain, whereas there are abundant unlabeled data (seismic data). In this dissertation, a semi-supervised learning approach using pseudo-labeling is adopted to predict facies and overcome the paucity of labeled data by leveraging unlabeled data. With each step, a small amount of data is classified and most confident labels (labels that are within 95% confidence interval) are added back to the training data set, starting near the well and gradually moving away. The labels obtained from the unlabeled data near the well (called “pseudo-labeled data”) are added to the labeled data to retrain the deep learning model (classifier) in each iteration. This addition of spatial pseudo-labels adds diversity to the classifier that accounts for lateral change in lithology while moving away from the well. Therefore, using the proposed workflow, the accuracy of a classifier trained with a limited amount of labeled data can be considerably enhanced by including pseudo-labeled data and lateral continuity can be improved. In testing the proposed method with the field data, it outperformed conventional supervised method, achieving a test accuracy of 96.7% and logarithmic loss as low as 0.15 compared to 91% and 0.6 for supervised baseline, respectively. Furthermore, training accuracy, validation accuracy and loss were 98.9%, 99.09% and 0.029, respectively.