Нейросетевая архитектура для решения задач геологической классификации в рамках идеологии Explainable AI

Введение. Хотя системы искусственного интеллекта уже неоднократно применялись для решения задач геологической классификации, их повсеместное внедрение сдерживается непрозрачностью работы традиционных нейросетей.
Цель. Разработать новую нейросетевую архитектуру, предназначенную для решения задач геологической классификации (определения стратиграфии, литологии, выделения коллекторов и т.д.), в основу которой были бы заложены принципы объяснимости и верифицируемости получаемых результатов.
Материалы и методы. Поставленная цель достигается за счет того, что на вход сети помимо каротажных кривых, записанных в изучаемой скважине, также подается «учебник», представляющий собой набор каротажных кривых и известных результатов интерпретации для нескольких (желательно ближайших) скважин месторождения. Обученная сеть выявляет наличие сходства в поведении кривых в окрестности отдельно взятых квантов глубины в различных скважинах, благодаря чему для каждого кванта изучаемой скважины удается указать примеры схожих геологических ситуаций, представленных в «учебнике», на основании которых и выставляются искомые метки классов. Механизм выявления сходства опирается на использование нейросетей с рекуррентными слоями, которые отображают кванты глубины на множество нормированных векторов с учетом нелокальных особенностей поведения кривых.
Результаты. Предлагаемая система искусственного интеллекта не только позволяет решить задачи геологической классификации в автоматическом режиме, но также позволяет пользователю видеть примеры из «учебника», обосновывающие выставление нейросетью тех или иных меток. Это существенно упрощает задачу проверки (и при необходимости корректировки) получаемых результатов перед их утверждением, что обеспечивает высокий уровень надежности при взаимодействии пользователя с системой. Кроме того, на основе разработанной архитектуры дополнительно удается решить задачи гармонизации архивных данных, а также автоматизированного подбора скважин окружения с подходящими геологическими условиями.
Заключение. Вероятно, развиваемый в работе подход к созданию нейросетевых архитектур позволит преодолеть имеющиеся препятствия на пути к повсеместному внедрению систем искусственного интеллекта в нефтегазовой сфере, поскольку он наиболее полно отвечает требованиям к прозрачности и безопасности применения таких систем.

1. Wu X., Nyland E. Automated stratigraphic interpretation of well-log data. Geophysics. 1987, no. 52, pp. 1665–1676. https://doi.org/10.1190/1.1442283

2. Adadi A., Berrada M. Peeking inside the black-box: A survey on explainable artificial intelligence (XAI). IEEE Access. 2018, no. 6, pp. 52138–52160. https://doi.org/10.1109/ACCESS.2018.2870052

3. Confalonieri R., Coba L., Wagner B., Besold T.R. A historical perspective of explainable artificial intelligence. WIREs Data Mining and Knowledge Discovery. 2021, no. 11(1), e1391. https://doi.org/10.1002/widm.1391

4. Guidotti R., Monreale A., Ruggieri S., Turini F., Giannotti F., Pedreschi D. A survey of methods for explaining black box models. ACM computing surveys. 2019, no. 51(5), pp. 1–42. https://doi.org/10.1145/3236009

5. Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence. 2019, no. 1, pp. 206–215. https://doi.org/10.1038/s42256-019-0048-x