13.05.2025, 10:00 Uhr

Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien

Titel: Applying Deep Reinforcement Learning to Seismic Amplitude
Data for Strategic Drilling in Geological Exploration

Kurzfassung:
Die Optimierung der Standortauswahl für Bohrungen in der Erdöl- und Erdgasindustrie stellt
eine erhebliche und komplexe Herausforderung dar, bedingt durch die komplexen Strukturen
der geologischen Untergrundformationen und die Unsicherheiten in den Explorationsdaten.
Diese Arbeit begegnet diesen Herausforderungen durch die Integration fortschrittlicher Techniken
der künstlichen Intelligenz (KI), insbesondere des Deep Reinforcement Learning (RL), mit
geologischen Modellen, um die Genauigkeit und Effizienz der Kohlenwasserstoffexploration
zu verbessern. Die zentrale Methodik gliedert sich in drei Hauptphasen: die Generierung synthetischer
geologischer Modelle, die Simulation der Kohlenwasserstoffmigration und die Ermittlung
optimaler Bohrstandorte durch Reinforcement Learning.
In der ersten Phase werden synthetische geologische Sektionen mittels Markov - Ketten -
Entscheidungsprozessen generiert, um die probabilistische Natur geologischer Formationen
zu modellieren. Dieser Ansatz ermöglicht die Schaffung verschiedener geologischer Szenarien,
die wesentliche Merkmale wie Schichtungen, Verwerfungen und Lagerstättenbildung abbilden
und eine kontrollierte, dennoch realistische Umgebung für das Training der KI schaffen. Die
zweite Phase nutzt Agentenbasierte Modellierung (ABM), um die Migration und Akkumulation
von Kohlenwasserstoffen innerhalb dieser synthetischen geologischen Modelle zu simulieren.
ABM berücksichtigt geologische Eigenschaften wie Porosität, Permeabilität und Fluiddynamik
und modelliert die komplexen Wechselwirkungen, die die Kohlenwasserstoffmigration und
Lagerstättenbildung beeinflussen. Diese Simulation dient als dynamischer Datensatz, der reale
geologische Prozesse nachbildet und eine realistische und anspruchsvolle Testumgebung für
KI-Anwendungen in der Exploration bietet.
In der dritten Phase wird ein Reinforcement Learning (RL)-Agent, der ein Deep Q-Network
(DQN) verwendet, darauf trainiert, potenzielle Bohrstandorte anhand synthetischer seismischer
Amplitudendaten zu identifizieren, die aus den geologischen Modellen abgeleitet wurden.
Das DQN-Modell lernt effektive Explorations- und Bohrstrategien durch iterative Interaktionen
mit der geologischen Umgebung und balanciert dabei Erkundung und Ausnutzung aus, um
die Entdeckung kohlenwasserstoffreicher Zonen zu maximieren. Durch die Anpassung von Hyperparametern
wie Lernrate und Epsilon-Zerfall wird der Agent darauf abgestimmt, langfristige
Explorationserträge zu optimieren, was seine Entscheidungsfähigkeit bei der Auswahl potenzieller
Bohrstandorte verbessert. Diese Studie untersucht den Einfluss verschiedener DQNKonfigurationen
und Trainingsparameter und bietet Einblicke, wie spezifische Modellanpassungen
die Explorationseffizienz und den Erfolg bei der Lokalisierung von Kohlenwasserstoffen
beeinflussen.
Die wichtigsten Ergebnisse zeigen, dass ein RL-Agent, der auf synthetischen geologischen
Daten und seismischen Amplitudeneingaben trainiert wurde, effektiv optimale Bohrstandorte
identifizieren und so die Explorationseffizienz verbessern kann. Die Ergebnisse verdeutlichen,
dass eine hohe Explorationseffizienz erreicht wird, wenn der Agent einer Balance aus geolo
gischer Komplexität und ausreichender Explorationsfreiheit ausgesetzt ist – eine Balance, die
durch die annealed epsilon-greedy policy desDQNerleichtert wird. Die Schlussfolgerungen unterstreichen
das Potenzial der Kombination von geologischer Modellierung und KI-Techniken
zur signifikanten Verbesserung der Kohlenwasserstoffexploration und betonen diesen interdisziplinären
Ansatz als vielversprechende Richtung für zukünftige Anwendungen im Öl- und
Gassektor sowie in anderen Rohstoffindustrien. Diese Forschung trägt nicht nur zu Fortschritten
in der Technologie der Kohlenwasserstoffexploration bei, sondern auch zur breiteren Anwendung
von Reinforcement Learning bei der Lösung komplexer, realweltlicher geologischer
Probleme.