یادگیری ماشین داده‌های صوتی ازدست‌رفته چاه‌ها را بازسازی می‌کند، بدون آنکه دقت طبقه‌بندی سنگ‌ها کاهش یابد

در اعماق بستر دریای حوضه براوز استرالیا، لایه‌های سنگی اطلاعات ارزشمندی در خود دارند که هم برای شرکت‌های اکتشاف انرژی و هم برای متخصصانی که امکان ذخیره‌سازی دی‌اکسید کربن در این منطقه را بررسی می‌کنند، اهمیت حیاتی دارد. یکی از مهم‌ترین ابزارهای شناخت این لایه‌ها، نمودار صوتی موج تراکمی یا DTCO است که زمان عبور امواج صوتی از سنگ‌های اطراف چاه حفاری را اندازه‌گیری می‌کند و از این طریق می‌توان سرعت انتشار صوت در سنگ را تعیین کرد. بااین‌حال، داده‌های این نمودار به‌آسانی دچار اختلال می‌شوند. شکستگی سنگ‌ها، نامناسب بودن وضعیت دیواره چاه، خارج شدن ابزار اندازه‌گیری از مرکز چاه و تضعیف سیگنال می‌توانند بخش‌های طولانی از داده‌ها را از بین ببرند. پژوهشی تازه با روشی دقیق و سخت‌گیرانه بررسی کرده است که اگر نیمی از این داده‌های حیاتی، آن هم در نامساعدترین شرایط ممکن، از دست بروند چه اتفاقی می‌افتد و آیا یادگیری ماشین می‌تواند بدون مخدوش کردن تصویر زمین‌شناسی، اطلاعات گمشده را بازسازی کند.

این پژوهش با استفاده از داده‌های عمومی نمودارهای چاه‌پیمایی در سامانه ملی مدیریت اطلاعات نفت فراساحلی استرالیا انجام شده است. یکی از ویژگی‌های برجسته آن، شبیه‌سازی واقع‌بینانه نحوه از دست رفتن داده‌هاست. در بسیاری از آزمون‌های معیار، مقادیر به‌صورت تصادفی حذف می‌شوند؛ وضعیتی که دانشمندان آن را «گمشدگی کاملاً تصادفی» می‌نامند. اما در حفاری واقعی، خرابی ابزارها معمولاً چنین الگوی ساده‌ای ندارد. ابزارهای صوتی اغلب در ثبت مقادیر حدی دچار مشکل می‌شوند؛ به‌ویژه در نواحی دارای شکستگی که امواج پراکنده می‌شوند و تشخیص نخستین موج دریافتی دشوار است. به همین دلیل، پژوهشگران الگویی برای پنهان‌سازی داده‌ها بر اساس سازوکار «گمشدگی غیرتصادفی» یا MNAR طراحی کردند. در هر یک از شش گروه سنگ‌شناسی، حذف داده‌ها از میان ۲۰ درصد پایین و ۲۰ درصد بالای توزیع مقادیر DTCO انجام شد و میزان گمشدگی به‌تدریج از ۱۰ به ۵۰ درصد افزایش یافت. این شیوه که «خودپنهان‌سازی» نام دارد، عمداً شرایط بسیار دشواری برای الگوریتم‌های جایگذاری مقادیر گمشده ایجاد می‌کند؛ زیرا دقیقاً مقادیری حذف می‌شوند که نمونه‌های مشابه آن‌ها در داده‌های باقی‌مانده کمتر وجود دارد.

آماده‌سازی مجموعه‌داده نیز به پالایش دقیقی نیاز داشت. اطلاعات هفت چاه در مجموع شامل ۶۵٬۱۹۰ ردیف اندازه‌گیری بود، اما داده‌های خام با کمبودهای گسترده‌ای روبه‌رو بودند؛ به‌طوری‌که بیش از ۶۰ درصد مقادیر DTCO و نزدیک به ۸۲ درصد داده‌های نمودار صوتی موج برشی مفقود بودند. پس از پالایش، داده‌های شش چاه و شش گروه سنگ‌شناسی باقی ماند که در مجموع ۶٬۸۱۱ ردیف را تشکیل می‌دادند. این گروه‌ها شامل سنگ رسی، سیلت‌سنگ، سنگ رسی سیلت‌دار، ماسه‌سنگ، سنگ آتشفشانی و سنگ رسی آهکی بودند. هر نمونه هفت اندازه‌گیری چاه‌پیمایی، از پرتو گاما و چگالی حجمی گرفته تا تخلخل نوترونی و دو نمودار مقاومت ویژه الکتریکی، را در بر می‌گرفت. همچنین برچسب نوع سنگ هر نمونه مستقیماً از آرشیو عمومی استخراج شده بود و پژوهشگران آن را دوباره تفسیر نکردند.

برای مدیریت مقادیری که به‌صورت مصنوعی حذف شده بودند، چهار راهکار با یکدیگر مقایسه شدند. در روش «حذف سطری»، هر ردیفی که مقدار گمشده داشته باشد به‌طور کامل کنار گذاشته می‌شود. در روش «جایگذاری میانگین»، همه مقادیر گمشده با یک مقدار متوسط جایگزین می‌شوند. روش سوم، «جایگذاری چندمتغیره با معادلات زنجیره‌ای» یا MICE، با استفاده از رگرسیون خطی و اطلاعات سایر متغیرها، مقادیر هر متغیر ناقص را به‌صورت تکرارشونده پیش‌بینی می‌کند. روش چهارم، مدل رگرسیون ماشین تقویت گرادیانی سبک یا LGBM بود. این روش از مجموعه‌ای از درخت‌های تصمیم تشکیل می‌شود که به‌ترتیب ساخته می‌شوند و هر درخت می‌کوشد خطاهای درخت قبلی را اصلاح کند. چنین ساختاری امکان شناسایی روابط پیچیده و غیرخطی میان نمودارهای پتروفیزیکی را فراهم می‌کند.

نتایج تفاوت چشمگیری میان روش‌ها نشان داد. جایگذاری میانگین در شرایط گمشدگی شبیه‌سازی‌شده عملاً شکست خورد. ریشه میانگین مربعات خطا یا RMSE این روش حدود ۱۸٫۴ تا ۱۸٫۷ میکروثانیه بر فوت بود و ضریب تعیین آن مقادیری منفی بین ۰٫۲۵۷- و ۰٫۳۲۶- داشت. این ارقام نشان می‌دهد عملکرد روش حتی از پیش‌بینی ساده میانگین مقادیر واقعی ردیف‌های حذف‌شده نیز ضعیف‌تر بوده است. علت این ناکامی به ساختار مسئله بازمی‌گردد: پنهان‌سازی، مقادیر دو انتهای توزیع را حذف می‌کند، درحالی‌که یک مقدار میانگین تنها بخش مرکزی توزیع را توصیف می‌کند. حذف سطری نیز راهکار مناسبی نبود؛ زیرا در سطح گمشدگی ۵۰ درصد، نیمی از کل داده‌ها را کنار می‌گذاشت، از جمله همان نمونه‌های دارای مقادیر حدی که طبقه‌بندی آن‌ها دشوارتر است.

در مقابل، دو روش مبتنی بر مدل عملکرد قابل‌قبولی داشتند. هم MICE و هم مدل رگرسیون LGBM در تمام سطوح گمشدگی، ضریب تعیین بالاتر از ۰٫۹۰ را حفظ کردند. در سطوح گمشدگی ۱۰ تا ۳۰ درصد، روش تقویت گرادیانی آشکارا برتر بود؛ به‌طوری‌که RMSE آن بین ۳٫۲۱۶ تا ۳٫۳۵۱ میکروثانیه بر فوت قرار داشت، درحالی‌که این مقدار برای MICE بین ۴٫۰۲۳ تا ۴٫۴۵۲ بود. با افزایش گمشدگی به ۴۰ و ۵۰ درصد، اختلاف عملکرد دو روش کاهش یافت و در بالاترین سطح گمشدگی، MICE اندکی بهتر عمل کرد. نمودارهای مقایسه مقادیر واقعی و پیش‌بینی‌شده نشان دادند چرا خطای روش تقویت گرادیانی افزایش یافته است: پیش‌بینی‌های این مدل در دو انتهای توزیع به حالت اشباع می‌رسند؛ حدود ۹۷ تا ۹۸ میکروثانیه بر فوت در انتهای بالایی و ۶۱ تا ۶۵ میکروثانیه بر فوت در انتهای پایینی. مدل‌های مبتنی بر درخت نمی‌توانند فراتر از دامنه مقادیر موجود در داده‌های آموزشی برون‌یابی کنند. بنابراین، وقتی تقریباً تمام مقادیر حدی پنهان شدند، مدل ناچار بود مقادیری را تخمین بزند که در مرحله آموزش نمونه‌های بسیار کمی از آن‌ها دیده بود.

مهم‌ترین بخش پژوهش پس از این مرحله آغاز شد. پژوهشگران به ارزیابی آماری کیفیت بازسازی بسنده نکردند، بلکه مقادیر بازسازی‌شده DTCO را همراه با شش نمودار کامل دیگر به پنج مدل طبقه‌بندی دادند: درخت تصمیم، نزدیک‌ترین همسایه‌ها، جنگل تصادفی، XGBoost و طبقه‌بند LGBM. برای ارزیابی مدل‌ها از روش اعتبارسنجی «کنار گذاشتن یک چاه در هر نوبت» استفاده شد. در هر یک از شش مرحله اعتبارسنجی، داده‌های یک چاه کامل از آموزش کنار گذاشته می‌شد و برای آزمون مستقل مدل به کار می‌رفت. این طراحی مانع نشت اطلاعات می‌شود؛ مشکلی که در تقسیم تصادفی داده‌ها رخ می‌دهد، زیرا نمونه‌های به‌هم‌وابسته یک چاه ممکن است هم‌زمان وارد مجموعه آموزش و آزمون شوند و امتیاز عملکرد مدل را به‌طور مصنوعی افزایش دهند. برای مدیریت نامتوازن بودن تعداد نمونه‌های گروه‌های سنگ‌شناسی نیز از روش بیش‌نمونه‌گیری SMOTE استفاده شد، اما این روش فقط روی داده‌های آموزشی اعمال شد. در نهایت، نتایج تمام مراحل اعتبارسنجی تجمیع و میانگین عملکرد در شش اجرای مبتنی بر بذرهای تصادفی متفاوت محاسبه شد.

یافته‌های این مرحله واقعاً غافلگیرکننده بود. حتی زمانی که نیمی از داده‌های نمودار صوتی حذف و سپس با یادگیری ماشین بازسازی شدند، عملکرد طبقه‌بندی نوع سنگ تقریباً تغییری نکرد. در حالت مبنا، یعنی زمانی که هیچ داده‌ای پنهان نشده بود، جنگل تصادفی با دقت ۰٫۶۰۶ و امتیاز F1 کلان ۰٫۴۰۶ بهترین عملکرد را داشت. در سطح گمشدگی ۵۰ درصد، دقت همین مدل به ۰٫۶۱۲ و امتیاز F1 کلان آن به ۰٫۴۰۴ رسید. بیشترین تغییر در میان تمام طبقه‌بندها نیز مربوط به درخت تصمیم بود که امتیاز F1 کلان آن حدود ۰٫۰۳ کاهش یافت. نویسندگان پژوهش در تفسیر این نتایج محتاط هستند. از آنجا که شش نمودار دیگر کامل باقی مانده بودند و روش‌های جایگزین بازسازی داده‌ها در مرحله طبقه‌بندی بررسی نشدند، نمی‌توان پایداری عملکرد را صرفاً به کیفیت جایگذاری مقادیر گمشده نسبت داد. بااین‌حال، این یافته فرض رایج مبنی بر وجود رابطه مستقیم میان خطای بازسازی و افت عملکرد در مراحل بعدی پردازش را به چالش می‌کشد. نتیجه با پژوهش‌های معیار گسترده‌تری نیز همخوانی دارد که نشان داده‌اند روش دارای کمترین خطای بازسازی، لزوماً بهترین عملکرد طبقه‌بندی را ایجاد نمی‌کند.

البته سطح واقعی عملکرد مدل‌ها نیز باید با دقت تفسیر شود. دقتی بین ۰٫۵۴ تا ۰٫۶۱ و مقادیر دقت متوازن و F1 کلان در حدود ۰٫۳۷ تا ۰٫۴۱ نشان می‌دهد که مسئله طبقه‌بندی سنگ‌ها ذاتاً دشوار است. سنگ رسی بیشترین سهم را در مجموعه‌داده دارد، هیچ‌یک از چاه‌ها هر شش گروه سنگ‌شناسی را شامل نمی‌شوند و سنگ رسی آهکی تنها در دو چاه دیده می‌شود. افزون بر این، مقادیر کندی انتشار صوت در انواع مختلف سنگ هم‌پوشانی دارند؛ زیرا عواملی مانند تخلخل، میزان رس، تراکم و سیمانی‌شدن سنگ همگی بر این ویژگی اثر می‌گذارند. اعتبارسنجی مبتنی بر گروه‌بندی چاه‌ها نیز در مقایسه با تقسیم تصادفی داده‌ها، برآوردهای محتاطانه‌تری از عملکرد ارائه می‌دهد. نویسندگان دقیقاً به همین دلیل معتقدند این شیوه اعتبارسنجی باید به استانداردی برای مدل‌هایی تبدیل شود که قرار است روی چاه‌های جدید به کار گرفته شوند.

نتیجه‌گیری‌های کاربردی پژوهش محتاطانه اما امیدوارکننده است. مفقود شدن داده‌های صوتی لزوماً به معنای کنار گذاشتن مجموعه‌داده نیست. هنگامی که نمودارهای مکمل در دسترس باشند، روش‌های MICE و جایگذاری مبتنی بر تقویت گرادیانی می‌توانند جایگزین‌های مناسبی برای حذف داده‌ها باشند. در مقابل، زمانی که احتمال گمشدگی به مقادیر حدی توزیع وابسته است، باید از جایگذاری میانگین پرهیز کرد. انتخاب روش بازسازی نیز می‌تواند بر اساس شدت گمشدگی انجام شود: در سطوح کمتر از ۴۰ درصد، مدل رگرسیون تقویت گرادیانی گزینه مناسب‌تری است و در سطوح بالاتر، استفاده از هر دو روش قابل دفاع خواهد بود. همچنین داده‌های بازسازی‌شده DTCO حتی در بالاترین سطح گمشدگی بررسی‌شده نیز برای طبقه‌بندی سنگ‌ها قابل استفاده باقی ماندند. بااین‌حال، نویسندگان بر چند محدودیت مهم تأکید می‌کنند. هر شش چاه بررسی‌شده متعلق به یک حوضه رسوبی هستند. همچنین، با وجود آنکه در داده‌های خام، نمودار صوتی موج برشی در ۹۹٫۹۲ درصد موارد هم‌زمان با DTCO دارای داده گمشده بود، این نمودار در پژوهش به‌عنوان یکی از متغیرهای پیش‌بین در دسترس قرار داشت. افزون بر این، سطح گمشدگی ۵۰ درصد صرفاً مرز آزمایش در این مطالعه است و نباید آن را محدودیتی عمومی برای همه شرایط دانست. گسترش این چارچوب به شرایطی که چند نمودار به‌طور هم‌زمان داده‌های گمشده دارند، بررسی حوضه‌های دیگر و استفاده از الگوهای گمشدگی استخراج‌شده از شرایط واقعی میدان، از موضوعات پژوهش‌های آینده خواهد بود. در شرایط کنونی، این مطالعه دستاوردی کم‌سابقه برای ارزیابی منابع انرژی زیرسطحی فراهم کرده است: سنجشی جامع از ابتدا تا انتهای فرایند که نشان می‌دهد از دست رفتن داده‌ها واقعاً چه هزینه‌ای برای تحلیل‌های زمین‌شناسی دارد.

موضوع پژوهش: بازسازی داده‌های گمشده نمودار صوتی موج تراکمی با استفاده از یادگیری ماشین و بررسی تأثیر آن بر طبقه‌بندی سنگ‌شناسی در حوضه براوز.

عنوان مقاله علمی: «جایگذاری داده‌های گمشده نمودار DTCO و طبقه‌بندی سنگ‌شناسی مبتنی بر یادگیری ماشین در شرایط شبیه‌سازی‌شده گمشدگی غیرتصادفی (MNAR): مطالعه موردی حوضه براوز».

منبع علمی: Garini, S. A., Shiddiqi, A. M., Prabuwono, A. S., Putro, H. P., Studiawan, H., Pratomo, B. A., Ariyani, N. F., & Fahriani, N. (2026). Machine learning-based DTCO log imputation and lithology classification under a simulated MNAR missingness mechanism: A Browse Basin case study. Results in Engineering, 32, Article 113603. https://doi.org/10.1016/j.rineng.2026.113603

اعتبار تصویر: تولیدشده با هوش مصنوعی.

شناسه دیجیتال مقاله (DOI): 10.1016/j.rineng.2026.113603

کلیدواژه‌ها: نمودارهای چاه‌پیمایی، یادگیری ماشین، جایگذاری داده‌های گمشده، گمشدگی غیرتصادفی (MNAR)، طبقه‌بندی سنگ‌شناسی، حوضه براوز، نمودار صوتی، تقویت گرادیانی، MICE، اعتبارسنجی با کنار گذاشتن یک چاه، جنگل تصادفی، ذخیره‌سازی دی‌اکسید کربن.