Figuren over: Resultat fra 3D egenskapsprediksjon i Troll Vest. Egenskapen som her er drapert på bunn kritt-horisonten er vannmetning. Brønnloggene viser tetthet, og vi kan se forkastninger tolket av en ML-modell på de vertikale seksjonene. Bunn kritt-horisonten er også tolket av en ML modell. Data fra Diskos.
– Ved å ta i bruk datamaskinenes evne til å knuse nærmest uendelige mengder med data, åpnes helt nye muligheter til å skaffe innsikt i geologiske problemstillinger som geologene tidligere bare kunne drømme om. Maskinlæring er spesielt godt egnet for nærfeltleting, hevder Eirik Larsen, gründer og Chief Solutions Officer i Earth Science Analytics.
De «nærmest uendelige mengder med data» har vi. Geologiske og geofysiske data fra modne deler av norsk sokkel som spenner nesten 60 år har blitt fritt tilgjengelige, men har så langt ikke blitt utnyttet godt nok fordi vi ikke har hatt kapasitet til å analysere dem.
Dette gjelder alle typer data, fra både seismikk og borehull, så vel som utallige bilder, analyser og rapporter.
LES OGSÅ: Mer effektivt – og bedre kvalitet
Eirik Larsen er blant foredragsholderne under DIGEX 2022-konferansen som i år arrangeres i Stavanger, samt digitalt, 6. – 7. april.
Maskinlæring i praksis – godt etablert
Så må vi ikke tro at datamengder som uttrykkes i terabyte, petabyte og exabyte er spesielt for oljeleting. De fleste av oss tenker ikke over det, men maskinlæring (ML) arbeider for oss i alle døgnets timer.
– Ansiktsgjenkjenning på smarttelefonen, karttjenestene på den samme telefonen, der vi blir anbefalt raskeste kjørevei, eller forslag til videoer på YouTube, basert på hva du har hørt eller sett før.
– Det interessante er at samtidig som du drar nytte av en slik tjeneste, gir du fra deg verdifulle brukerdata som igjen anvendes til å gjøre tjenesten enda bedre for både deg selv og andre, sier Larsen.
Geologen, med bakgrunn fra blant annet Norsk Hydro, Statoil og eget konsulentselskap, trekker frem Amazon som nok et eksempel på hvordan data kan brukes til bedre brukeropplevelser. Med en gang du har søkt eller kjøpt et spesielt produkt, vil du få anbefalinger på nye produkter basert på kjøpemønsteret til andre som har kjøpt det samme som deg.
Vi kan like det eller ikke, men ved hjelp av datamaskinenes store kapasitet, gagner det oss hvordan andre agerer, og andre drar igjen fordel av oss. At også Google, Amazon, YouTube og andre giganter har nytte av det, hører med til historien. Det siste er imidlertid ikke en problemstilling når geologene skal gjøre sine analyser basert på ML.
Eirik Larsen er medgründer i Earth Science Analytics som i løpet av fem år har blitt et selskap å regne med når de siste «oljedråpene på norsk sokkel» skal finnes og produseres mest mulig effektivt. Stikkordet er maskinlæring. Selskapet har hatt suksess, og kundene finnes nå – ikke bare i Norge – men over det meste av verden. Interessant nok er store oljeselskaper som Saudi Aramco, Equinor og Wintershall Dea inne på eiersiden sammen med det japanske selskapet Sumitomo Corporation. Eirik Larsen har en Ph.D. i sedimentologi og jobbet i første del av karrieren som letegeolog med «gammeldagse» verktøy, og det var da han så behovet for digitale verktøy som kan behandle store mengder data. Foto: Privat
Fortsatt en fjern drøm
– Internt bruker vi gjerne uttrykket maskinlæring, men eksternt benytter vi også uttrykket kunstig intelligens, forteller Larsen, og innrømmer at de gjør seg litt finere enn de egentlig er.
– Maskinlæring er formelt definert som en del av kunstig intelligens, samtidig som det stemmer at drømmen om kunstig, generell intelligens, som ligner menneskelig intelligens, fremdeles ligger langt frem i tid.
Kunstig, generell intelligens (KGI, «sterk KI», «Artificial General Intelligence» (AGI)) kan simulere menneskelige tankesett og oppførsel, eller – slik snl.no skriver – «… er i stand til å løse oppgaver uten å få instruksjoner fra et menneske på hvordan den skal utføre dem».
– Kunstig, generell intelligens er foreløpig bare noe vi drømmer om. Riktignok er det store teknologimiljøer som prøver å knekke koden, og vi følger godt med på utviklingen, men det er fortsatt et stykke frem. Derfor blir det riktig å si at vi i Earth Science Analytics, enn så lenge, i all hovedsak driver med maskinlæring.
Denne saken er en del av et lengre intervju med Eirik Larsen skrevet for GEO 2022.