For snart to år siden mistet jeg jobben som geolog da selskapet jeg var ansatt i trakk seg ut av norsk sokkel (Tullow Oil Norge). Et knippe kolleger ble med å starte eget selskap. Med mange års variert leteerfaring fra norsk sokkel, hadde vi flere tanker og ideer for å effektivisere leting. Vi kom raskt inn på teknosporet.
Læringskurven har vært bratt og spennende, både som nyetablert gründer og som nysgjerrig geoviter på jakt etter morgendagens prospekter ved bruk av ny teknologi. Jeg tenker da spesielt på buzzword nr. 1 i disse dager – digitalisering.
Men hva er egentlig digitalisering, og hva innebærer det for leting etter olje og gass?
Jeg liker denne definisjonen:
Digitalisering handler om å ta i bruk digitale verktøy for å forbedre og forenkle arbeidsprosesser, slik at produkter og tjenester kan produseres mer effektivt og med høyere kvalitet.
Og hva er så digitale verktøy?
Jo, det er blant annet machine learning (ML). Enkelt forklart er dette design og utvikling av algoritmer som gjør datamaskiner i stand til å lære fra, og utvikle adferd, basert på empiriske data.
Machine learning i leting kan for eksempel være mønstergjenkjennelse på seismiske data, hvorpå subtile, stratigrafiske feller kan bli lettere å finne.
Et annet eksempel er autotracking av seismiske horisonter, en allerede etablert metode og en sped begynnelse på hva vi har i vente.
Data Analytics/Artificial Intelligence (AI) er et annet verktøy, der ulike datatyper kjøres mot hverandre for å oppdage nye mønstre og sammenhenger. Tenk for eksempel reservoaregenskaper, trykkdata og facies. Alt gjort på en brøkdel av tiden som tradisjonelt har skjedd i eget hode og i arbeidsmøter. Tenk så mye tid som kan spares!
For å kunne kjøre analytics må det foreligge en konsistent database, eller data lakes som det heter i digitaliseringverdenen – en plattform der alle data er samlet og kvalitetssikret.
En liten avsporing: Drømmen om en lett tilgjengelig og konsistent database er et hjertesukk fra en letegeolog. Et eksempel er brønntopper. Databaser finnes bl.a. i Oljedirektoratet og Aceca, og mange selskap opererer dessuten med egne interne formasjonstopper. Jeg vet ikke hvor mange lisensmøter og timer som har gått med på å diskutere brønntopper. Tenk om vi kunne hatt en nasjonal databank med kvalitetskontrollerte brønntopper (hallo NPD og DISKOS!).
Et eksempel fra en annen bransje: Watson er et kognitivt datasystem som er utformet for komplekse helseanalyser. Systemet fores med all tilgjengelig medisinsk kunnskap og ny vitenskapelig forskning. Watson integrerer, prosesserer og analyserer ekstreme mengder data. Når Watson er «ferdigtenkt», vil det komme en liste av potensielle diagnoser sammen med et estimat som viser validiteten i hver enkelt diagnose. Dette betyr at maskinen ikke bare gir èn diagnose, men flere diagnoser basert på sannsynligheten og bevisene for hver av dem. Hva om det samme kan gjøres innen prospektering etter olje og gass? (Bytt ut ordet diagnose med prospekt i avsnittet, og les en gang til.)
Jeg liker sammenligningen med Watson, fordi den sier noe om potensialet som ligger i bruk av ny teknologi som kan benyttes inn mot leting. Det skal kommenteres at de aller fleste sykdomsdiagnoser er veldefinerte, mens prospekter i nye letemodeller kan være unike. Jakten på anomalier som skiller seg ut fra en forhåndsdefinert trend er derfor vel så spennende. Det virkelig store potensialet innen ML er kombinasjonen av informasjon fra ulike datakilder og fagdisipliner.
Hva om kildebergartsdata kombineres med utbredelse av gode sandlag? Igjen koblet mot f.eks. AVO-resultater? Som igjen kobles opp mot f.eks trykk? Alt foret inn i en algoritme som behandler dataene, som tenker bedre og ser andre sammenhenger enn den menneskelige hjerne.
Maskinen er i tillegg fri for analog silo-jobbing, der vi sitter på hver vår pult for så å samstille kunnskap på arbeidsmøter. Let’s face the facts: I dag tenker og analyserer maskinen bedre og mer effektivt enn både deg og meg. Gitt riktig input, selvsagt.
Jeg tror et resultat av å benytte ML/AI innen exploration bl.a. vil gi økt funnrate for prospekter, og dermed også kunne redusere antall tørre brønner samt letekostnader.
Men for å komme hit må bransjen bli flinkere til å dele data. Datatilgang er selve grunnlaget for utvikling av ny metodikk. AkerBP skal ha honnør for tydeligheten på digital satsing og deling av data. Det er et eksempel til etterfølgelse. I kjølvannet av den digitale fremtiden som vi nå står i startgropen av, vil det også bli fremvekst av nye forretningsmodeller/muligheter.
Geologer og geofysikere kommer ikke til å miste jobben eller bli erstattet av maskiner, noen må fortsatt styre prosessene og kvalitetssikre resultater. Jeg spår at fremover kommer stadig flere G&G-personell til å jobbe tettere med data scientists. Det blir en ny og spennende arbeidshverdag for oss som kan vise seg å bli både tidsbesparende og kostnadseffektiv for industrien vår. Og som garantert vil avdekke nye kommersielle funn på sokkelen!
KRISTIN DALE
CEO DIG Science AS