Seismisk stifinner

Seismiske data inneholder hemmeligheten om tidligere tiders landskap under havbunnen. For uinnvidde ser seismiske bilder ut som en haug av krøllete linjer. Selv om erfarne seismikktolkere ser mye mer, har det til nå vært et møysommelig arbeid å identifisere seismiske objekter i bildene. Sprekker, forkastninger og flater må identifiseres og digitaliseres av tolkeren.

Kunstig intelligens

Overgeofysiker Paul Meldahl sammenligner seismiske attributter med kontrastvæske i medisin; det brukes for å se ulike objekter bedre. Det er ikke nytt i seg selv å bruke slike attributter, men det er derimot kombinasjonen med mønstergjenkjenning.

Meldahl og oppfinnerkollega Roar Heggland sørger for å spare tolkere for utrolig mange klikk på skjermen ved at programmer gjør jobben for dem. – Vi detekterer en klasse objekter om gangen. Slik kan vi fokusere jobben og slippe kompromisser, sier Meldahl.

Med trinnvis deteksjon er det mulig å optimalisere ulike attributter for ulike objekter. Mønstergjenkjenningen gjøres med nevrale nettverk fra Sintef. Nevrale nettverk kalles også kunstig intelligens.

Bedre deteksjon

I stedet for å lagre alle dataene i en kube, lagrer metoden bare objektene. Bare dem gir betydningsfull informasjon – akkurat som det primært er løypenettet som er nyttig for en skiløper – ikke alle detaljer på kartet. Det er mer rasjonelt å lagre bare objekter enn å ta vare på data fra tredimensjonale kuber. – Vi kan bare tenke oss hva det koster oljeindustrien å lagre alle disse tredimensjonale bildene av klodens oljeprovinser, sier Meldahl.

Metoden gjør det også lettere å finne detaljer. Etter at objektene er detektert, kan de trekkes ut av kuben og settes inn i landskapsmodellen som byggeklosser. – Vi kan bruke uendelig mye mer matematikk for å detektere detaljer fordi det nå er færre steder å jobbe på, poengterer Meldahl.

En attributt kan være et resultat av ulike matematiske operasjoner på data i et vindu. Metoden bruker direktive attributter. Da orienteres og strekkes attributtene langs objektene. Dette betyr at flere datapunkt i vinduet gir informasjon om objektet. Meldahl sammenligner det med å spise toppen av et sjokoladekakestykke for å få mer sjokoladesmak: – Med utstrekte attributter langs objektene kan vi oppdage nesten usynlige ting.

Billlig produkt

Statoil, Shell og flere andre oljeselskaper har allerede tatt i bruk resultater av den nye metoden. For å lage et brukervennlig dataprogram samarbeider

dGB med GeoCap og Statoil. – Vi håper dette blir til salgs for en rimelig penge om ett år. Det skal være mulig å koble programmet på der det trengs, slik at selskapene ikke må hive ut gammelt utstyr for å bruke dette, understreker Meldahl.

Produktutviklinga kan ikke starte for fullt før økonomien er sikra, og samarbeidspartnerne jakter nå på sponsorer. EU kommer til å støtte prosjektet både på norsk og nederlandsk side gjennom Eureka.

Meldahl mener det er viktig at Statoil er med fordi de representerer et marked:

– Vi har dyktige tolkere som kan påvirke produktutviklinga godt.

Tverrfaglighet har vært viktig i utviklingen av metoden, som bruker virkemidler på tvers av faggrenser. Meldahl tror ikke det er tilfeldig at det blant de fire oppfinnerne fra Statoil og dGB finnes både hobbymusikere og en amatørkunstmaler. Kreativitet og visuell evne har vært nødvendig.

– Veiene som ble brukt for å finne metoden, er ikke ulike stiene på Vestlandet; smale, svingete, godt skjult – og så går de mye opp og ned. Vi nådde nok fram fordi vi klarte å resonnere og fantasere fram et felles mål, og fordi vi ble gode turkamerater, sier Meldahl.