AI til avansert billedbehandling

Kunstig intelligens handler ikke bare om chatboter, tekstproduksjon og automatisering av kontorarbeid. I mange industrielle sammenhenger handler AI om å løse konkrete tekniske problemer som tidligere var dyre, tidkrevende eller vanskelige å håndtere med tradisjonelle metoder. Et godt eksempel er avansert billedbehandling / prosessering av seismiske data.

Seismiske data kan forstås som bilder av undergrunnen. De består av store tre-dimensjonale datamengder der refleksjoner fra geologiske lag skal analyseres og tolkes. Problemet er at disse «bildene» ofte inneholder støy. Noe støy er tilfeldig og relativt enkel å redusere. Annen støy er strukturert, kraftig og kan ligne på signalet man faktisk ønsker å bevare.

Et av de mest krevende eksemplene er seismisk interferens. Dette oppstår når flere seismiske fartøy opererer i nærheten av hverandre, og lydenergien fra én undersøkelse blir registrert som støy i en annen. I Nordsjøen kan slik støy observeres over svært store avstander. Tidligere førte dette ofte til tidsdeling, der ett fartøy måtte vente mens et annet samlet inn data. Det ga høyere kostnader, lavere effektivitet og risiko for forsinkelser (Elboth og Haouam, 2015; Elboth og Laurain, 2017).

Fra støyproblem til AI-basert billedbehandling

For en AI-modell er et seismiske data et avansert bildebehandlingsproblem. Modellen må lære å skille mellom nyttig geologisk signal og uønsket interferensstøy - uten å ødelegge svake refleksjoner som kan være geologisk viktige.

Dette er vanskeligere enn vanlig bildestøy. I fotografier er støy ofte tilfeldig. Seismisk interferens er derimot koherent: den har retning, struktur, frekvensinnhold og geometri. Se Figure 1 for et eksempel. Den kan være sterkere enn det underliggende signalet og i enkelte tilfeller ligne reelle refleksjoner. Derfor holder det ikke å bruke en standard bilde-AI ukritisk. Modellen må tilpasses både fysikken, datatypen og den industrielle bruken.

I arbeidet ble nevrale nettverk - CNNs - brukt til å angripe problemet. CNNs er samme grunnleggende teknologi som brukes i moderne bildegjenkjenning og billedbehandling. I seismikk kan slike modeller lære mønstre i dataene: linjer, kurver, teksturer og større strukturer. Målet var å lære forskjellen mellom geologiske refleksjoner og ulike typer seismisk interferens.

En spesialtilpasset U-Net

En viktig erfaring var at standard autoencoder-modeller, som ofte fungerer godt på vanlige bilder, ikke var gode nok for seismisk interferens. De kunne enten etterlate for mye støy eller skade det seismiske signalet. Derfor ble det utviklet en spesialtilpasset U-Net-arkitektur, trent på realistiske feltdata.

U-Net er en nettverksstruktur som opprinnelig ble kjent fra medisinsk bildeanalyse, men som også er godt egnet når man må kombinere helhetsforståelse med presis lokal informasjon. Det er viktig: modellen må forstå det store bildet, men samtidig bevare detaljer.

( Før støyfjerning -> Etter støyfjerning -> Fjernet støy )

Figur 1. Bildet viser støyfjerning av seismisk intererens fra skudd-data fra Nordsjøen.

Arbeidet viste at en tilpasset U-Net kunne fjerne store deler av interferensstøyen, samtidig som de geologiske strukturene i stor grad ble bevart. De beste kommersielle algoritmene var fortsatt bedre på enkelte kvalitetsmål, men AI-løsningen hadde en svært viktig fordel: hastighet. Etter trening kunne modellen prosessere ett gather på omtrent 0,02 sekunder (Sun et al., 2020).

Hvorfor dette har stor industriell verdi

Seismiske undersøkelser er dyre operasjoner. Fartøy, mannskap, værvinduer, lisenser og logistikk gjør at hver dag på sjøen har høy verdi. Dersom et fartøy må vente på grunn av interferens, går produksjonstid tapt. Dersom data må samles inn på nytt, øker kostnadene ytterligere.

Tidligere arbeid viste at bedre håndtering av seismisk interferens kunne gjøre det mulig for fartøy å operere langt nærmere hverandre enn tidligere retningslinjer tilsa. I 2016 ble det rapportert at fartøy kunne operere så nært som omtrent 7 km fra hverandre, mot tidligere tommelfingerregler på rundt 40 km. Arbeidet pekte også på betydelige effektivitetsgevinster i en travel Nordsjø-sesong (Elboth og Laurain, 2017).

AI-basert støyfjerning peker i samme retning. Dersom man kan gjøre rask og robust støyreduksjon, kan man akseptere mer krevende innsamlingssituasjoner, gjøre raskere kvalitetskontroll, redusere behovet for manuell parameterjustering og prosessere store datamengder raskere.

Dette gir ikke bare bedre teknologi. Det gir bedre beslutninger, lavere operasjonell risiko og lavere kostnader.

Konsulentoppgaven: AI, fagdomene og industriell forståelse

Det viktigste poenget er ikke at vi brukte en CNN. Poenget er at problemet krevde en kombinasjon av fysikk, signalbehandling, datainnsamling, operasjonell forståelse og moderne maskinlæring.

I industriell AI er det sjelden nok å bare «sette en modell på dataene». Man må forstå hva som kan fjernes, hva som må bevares, og hvordan resultatet skal kvalitetssikres. En modell som fjerner støy, men samtidig svekker svake geologiske signaler, er ikke en god løsning.

Dette er relevant langt utover seismikk. Mange bransjer har komplekse bilder, signaler eller sensordata med støy, manglende data og fysiske begrensninger. Det kan handle om sonar, radar, medisinske bilder, produksjonskontroll, inspeksjon, prediktivt vedlikehold eller andre industrielle målesystemer.

For XLENT er dette et godt eksempel på hvordan vi som konsulenter kan skape verdi i skjæringspunktet mellom teknologi og domene. Vi kan hjelpe virksomheter med å identifisere de riktige problemene, vurdere om AI faktisk er egnet, bygge prototyper, teste mot reelle data og utvikle løsninger som tåler industrielle krav.

AI handler da ikke om å erstatte fagkompetanse. Det handler om å forsterke den. Arbeidet med seismisk interferens viser hvordan moderne AI, brukt riktig, kan fjerne krevende støy, forbedre datakvalitet og bidra til store kostnadsbesparelser i industrien.

Skrevet av: Thomas Elboth

Referanser

Sun, J., Slang, S., Elboth, T., Greiner, T. L., McDonald, S. & Gelius, L.-J. (2020). Attenuation of marine seismic interference noise employing a customized U-Net. Geophysical Prospecting, 68(3), 845–871. DOI: 10.1111/1365-2478.12893.
Elboth, T., Khan, J. & Shen, H. (2017). Advances in Seismic Interference Noise Attenuation. 79th EAGE Conference and Exhibition 2017. DOI: 10.3997/2214-4609.201700579.
Elboth, T. & Laurain, R. (2017). Coordinating Marine Acquisitions to Tackle Seismic Interference Noise. 79th EAGE Conference and Exhibition 2017. DOI: 10.3997/2214-4609.201700778.
Elboth, T. & Haouam, F. (2015). A Seismic Interference Noise Experiment in the Central North Sea. 77th EAGE Conference and Exhibition 2015.