DOI: https://doi.org/10.1038/s41598-026-36053-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41540155
تاريخ النشر: 2026-01-15
المؤلف: Bahare Zare وآخرون
الموضوع الرئيسي: تقنيات التصوير الزلزالي والعكس
نظرة عامة
في هذه الدراسة، يبحث المؤلفون في التنبؤ بالبطء الضاغط (DTCO) من سجلات غير صوتية لتعزيز كفاءة جمع البيانات ودعم تخطيط الحقول. تستخدم الأبحاث نهجًا خاليًا من التسرب، يعتمد فقط على الميزات، مستفيدة من نوافذ التأخير السببية المشتقة من سجلات غير صوتية تاريخية مع استبعاد القنوات المشتقة من الصوت. تتضمن المنهجية تكييف العمق الحتمي، ميزات العمق النسبية، مشتقات العمق متعددة المقاييس، اختيار الميزات المجمعة حسب الرتبة، والتحقق الواعي بالوقت. يتم مقارنة ثلاثة نماذج تعلم آلي – غابة عشوائية (RF)، تعزيز التدرج المتطرف (XGBoost)، وذاكرة طويلة وقصيرة المدى ثنائية الاتجاه (BiLSTM). تشير النتائج إلى أن نموذج XGBoost المضبوط، باستخدام أفضل 20 متنبئًا مع تأخير 10 عينات، يحقق أداءً أعمى عبر الآبار بقيمة $R^2 = 0.895$، ومتوسط الخطأ المطلق (MAE) قدره 11.38 ميكروثانية/م، وجذر متوسط مربع الخطأ (RMSE) قدره 15.12 ميكروثانية/م عند تدريبه على البئر 1 واختباره على البئر 2. الأداء أقل بشكل ملحوظ في الاتجاه العكسي، مما يشير إلى تحول في توزيع الآبار.
تسلط النتائج الضوء على أن التحكم الصارم في التسرب، وهندسة الميزات الواعية بالعمق، واختيار الميزات المنهجي أمر حاسم لتعزيز الأداء التنبؤي. بينما تظهر RF نتائج تنافسية عبر تكوينات مختلفة، لا تؤدي BiLSTM بشكل جيد في هذا السياق. بشكل عام، تؤكد الدراسة فعالية طرق التجميع المعتمدة على الأشجار كأسس قوية وفعالة من حيث البيانات للتنبؤ بالصوت الزائف عبر الآبار في سياق بيانات سجلات الآبار البحرية.
مقدمة
تناقش مقدمة ورقة البحث أهمية سجلات الصوت (الصوتية) في قياس زمن سفر الموجات المرنة، وهو أمر حاسم لتوصيف الخزانات، وتخطيط الآبار، والجيوميكانيكا. نظرًا للقيود مثل التكلفة والظروف السلبية، هناك حاجة متزايدة للتنبؤ بالبطء الضاغط (DTCO) من سجلات غير صوتية، باستخدام طرق تطورت من علاقات فيزياء الصخور التجريبية إلى تقنيات تعلم آلي متقدمة (ML). تسلط الدراسات الحديثة الضوء على فعالية نماذج ML، بما في ذلك تجميع الأشجار ونماذج التسلسل، في التقاط العلاقات المعقدة في بيانات سجلات الآبار، وبالتالي تحسين دقة تنبؤات DTCO.
تحدد الورقة ثلاثة فجوات منهجية في الممارسات الحالية: التحكم غير المكتمل في التسرب، التقييم المحدود عبر الآبار، والدراسات غير الكافية لتقييم خيارات المعالجة المسبقة. لمعالجة هذه القضايا، يقترح المؤلفون خط أنابيب للتنبؤ بالبطء الضاغط DTCO خالي من التسرب، أعمى عبر الآبار، يستخدم نوافذ تأخير سببية وهندسة ميزات واعية بالعمق. تقارن الدراسة بين نماذج ML المختلفة، بما في ذلك غابة عشوائية وXGBoost، تحت بروتوكول تحقق واعٍ بالوقت، مما يكشف أن المعالجة المسبقة المنضبطة واختيار الميزات تعزز بشكل كبير دقة التنبؤ عبر الآبار. تؤكد النتائج على إمكانية تجميع الأشجار كأسس فعالة تتفوق على متغيرات LSTM بينما تتدرب بشكل أسرع، مما يساهم في المجال بإطار عمل قوي للتنبؤ بالصوت الزائف.
النتائج
في هذا القسم، يتم تقييم الإطار المقترح باستخدام بيانات سجلات الآبار الحقيقية تحت بروتوكول أعمى عبر الآبار، حيث يتم تدريب النماذج على بئر واحدة واختبارها على أخرى لمنع تسرب البيانات. تؤكد الدراسة على أهمية اختيار الميزات، وتأثير التمثيلات المتأخرة، وقدرة النموذج على التعميم عبر فترات جيولوجية مختلفة. بالنسبة لنموذج غابة عشوائية (RF)، تم استخدام تقسيم تحقق واعٍ بالوقت، مع تحسين عدد الميزات المحتفظ بها ($K$)، نافذة التأخير ($n_{\text{lags}}$)، والمعلمات الفائقة. تشير النتائج إلى تكوين مثالي مستقر عبر آبار التدريب المختلفة، كما هو موضح في الجدول 1. يتم تقديم مقاييس الأداء لنموذج RF تحت تحقق عبر الآبار في الجدول 2، مع التصورات في الشكل 2 التي تظهر دقة تنبؤية قوية وموثوقية، كما يتضح من التقارب الوثيق بين القيم المتوقعة والفعلية لـ DTCO.
وبالمثل، تم تقييم نموذج XGBoost (XGB) باستخدام نفس البروتوكول، مع الإبلاغ عن النتائج في الجدول 3. تكشف النتائج أن التدريب على البئر 1 والتحقق على البئر 2 يؤديان إلى أخطاء أقل مقارنة بالعكس، مما يبرز تعميمًا غير متوازن وتحولًا في التوزيع بين الآبار. في المقابل، كانت متغيرات LSTM تؤدي باستمرار بشكل أقل مقارنة بالنماذج المعتمدة على الأشجار، حيث أظهرت قيم $R^2$ أقل وأخطاء متوسطة مطلقة (MAE) وجذر متوسط مربع الخطأ (RMSE) أعلى. يُعزى هذا الأداء الضعيف إلى العدد المحدود من الآبار، وعدم الاستقرار مع العمق، ونظام البيانات المتواضع المتاح لتدريب نماذج التسلسل ذات السعة العالية.
المناقشة
في هذه الدراسة، طور المؤلفون سير عمل شامل للتنبؤ بالبطء الضاغط (DTCO) باستخدام نماذج تعلم الآلة، وخاصة غابة عشوائية (RF)، وتعزيز التدرج المتطرف (XGBoost)، وشبكات الذاكرة طويلة وقصيرة المدى (LSTM)، استنادًا إلى بيانات سجلات الآبار من بئرين بحريين في نيوفاوندلاند ولابرادور. أكدت المنهجية على خطوات المعالجة المسبقة الصارمة، بما في ذلك إزالة القيم الشاذة، وتوليد الميزات واختيارها، والتطبيع، وبناء الميزات الزمنية لتعزيز أداء النموذج. من الجدير بالذكر أن النتائج أشارت إلى أن طرق التجميع (RF وXGBoost) تفوقت باستمرار على LSTM من حيث الدقة وكفاءة الحساب، محققة درجات $R^2$ أعلى ومقاييس خطأ أقل (MAE، RMSE) خلال التحقق عبر الآبار.
كشفت دراسة الإزالة أن توليد الميزات واختيارها كانا حاسمين لتحسين التعميم عبر الآبار، حيث عززت الميزات الواعية بالعمق بشكل كبير نسبة الإشارة إلى الضوضاء وقللت من التعدد الخطي. تشير النتائج إلى أنه بينما تعتبر نماذج LSTM شائعة في توقع السلاسل الزمنية، فإن مزاياها في هذا السياق محدودة مقارنة بالنهج المعتمدة على الأشجار. لا يسهل سير العمل المقترح فقط تركيب DTCO في غياب قياسات صوتية موثوقة، بل يدعم أيضًا تطبيقات مختلفة لاحقة، مثل النمذجة الجيوميكانيكية والمعايرة الزلزالية. ومع ذلك، تعترف الدراسة بالقيود بسبب حجم العينة الصغيرة والظروف الجيولوجية المحددة، مما يشير إلى الحاجة إلى أبحاث مستقبلية لاستكشاف مجموعات بيانات أوسع وتقنيات نمذجة متقدمة.
DOI: https://doi.org/10.1038/s41598-026-36053-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41540155
Publication Date: 2026-01-15
Author(s): Bahare Zare et al.
Primary Topic: Seismic Imaging and Inversion Techniques
Overview
In this study, the authors investigate the prediction of compressional slowness (DTCO) from non-sonic logs to enhance data acquisition efficiency and support field planning. The research employs a leakage-free, features-only approach, utilizing causal lag windows derived from historical non-sonic logs while excluding sonic-derived channels. The methodology incorporates deterministic depth conditioning, relative-depth features, multi-scale depth derivatives, rank-aggregated feature selection, and time-aware validation. Three machine learning models—Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Bidirectional Long Short-Term Memory (BiLSTM)—are compared. The results indicate that the tuned XGBoost model, using the top 20 predictors with a 10-sample lag, achieves a blind cross-well performance of $R^2 = 0.895$, Mean Absolute Error (MAE) of 11.38 µs/m, and Root Mean Square Error (RMSE) of 15.12 µs/m when trained on Well 1 and tested on Well 2. The performance is notably lower in the reverse direction, suggesting an inter-well distribution shift.
The findings highlight that rigorous leakage control, depth-aware feature engineering, and principled feature selection are critical for enhancing predictive performance. While RF demonstrates competitive results across various configurations, BiLSTM does not perform as well in this context. Overall, the study underscores the effectiveness of tree-based ensemble methods as robust, data-efficient baselines for cross-well pseudo-sonic prediction in the context of offshore well log data.
Introduction
The introduction of the research paper discusses the significance of sonic (acoustic) logs in measuring elastic-wave travel time, which is crucial for reservoir characterization, well planning, and geomechanics. Due to limitations such as cost and adverse conditions, there is a growing need to predict compressional slowness (DTCO) from non-sonic logs, utilizing methods that have evolved from empirical rock-physics relations to advanced machine learning (ML) techniques. Recent studies highlight the effectiveness of ML models, including tree ensembles and sequence models, in capturing complex relationships in well log data, thereby improving the accuracy of DTCO predictions.
The paper identifies three methodological gaps in current practices: incomplete leakage control, limited cross-well evaluation, and insufficient ablation studies to assess preprocessing choices. To address these issues, the authors propose a leakage-free, blind cross-well DTCO prediction pipeline that employs causal lag windows and depth-aware feature engineering. The study compares various ML models, including Random Forest and XGBoost, under a time-aware validation protocol, revealing that disciplined preprocessing and feature selection significantly enhance cross-well accuracy. The findings underscore the potential of tree ensembles as efficient baselines that outperform LSTM variants while training faster, contributing to the field with a robust framework for pseudo-sonic prediction.
Results
In this section, the proposed framework is evaluated using real well-log data under a blind cross-well protocol, where models are trained on one well and tested on another to prevent data leakage. The study emphasizes the importance of feature selection, the impact of lagged representations, and the model’s ability to generalize across different geological intervals. For the Random Forest (RF) model, a time-aware validation split was employed, optimizing the number of retained features ($K$), the lag window ($n_{\text{lags}}$), and hyperparameters. The results indicate a stable optimum configuration across different training wells, as shown in Table 1. Performance metrics for the RF model under cross-well validation are presented in Table 2, with visualizations in Figure 2 demonstrating strong predictive accuracy and robustness, evidenced by the close alignment of predicted and actual DTCO values.
Similarly, the XGBoost (XGB) model was assessed using the same protocol, with results reported in Table 3. The findings reveal that training on Well 1 and validating on Well 2 results in lower errors compared to the reverse, highlighting an asymmetric generalization and a distribution shift between the wells. In contrast, LSTM variants consistently underperformed compared to the tree-based models, exhibiting lower $R^2$ and higher Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). This underperformance is attributed to the limited number of wells, the nonstationarity with depth, and the modest data regime available for training high-capacity sequence models.
Discussion
In this study, the authors developed a comprehensive workflow for predicting compressional slowness (DTCO) using machine learning models, specifically Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Long Short-Term Memory (LSTM) networks, based on well log data from two offshore wells in Newfoundland and Labrador. The methodology emphasized rigorous preprocessing steps, including outlier removal, feature generation and selection, normalization, and the construction of temporal features to enhance model performance. Notably, the results indicated that ensemble methods (RF and XGBoost) consistently outperformed LSTM in terms of accuracy and computational efficiency, achieving higher $R^2$ scores and lower error metrics (MAE, RMSE) during cross-well validation.
The ablation study revealed that feature generation and selection were critical for improving generalization across wells, with depth-aware features significantly enhancing the signal-to-noise ratio and reducing multicollinearity. The findings suggest that while LSTM models are popular for time series forecasting, their advantages in this context are limited compared to tree-based approaches. The proposed workflow not only facilitates the synthesis of DTCO in the absence of reliable sonic measurements but also supports various downstream applications, such as geomechanical modeling and seismic calibration. However, the study acknowledges limitations due to the small sample size and specific geological conditions, indicating a need for future research to explore broader datasets and advanced modeling techniques.