基于深度学习的框架,从历史地图中识别未经记录的孤儿石油和天然气井:加利福尼亚和俄克拉荷马州的案例研究
Fabio Ciulla1, Andre Santos1, Preston Jordan1
1Earth and Environmental Sciences Area, Lawrence Berkeley National Laboratory, Berkeley, California 94720, United States.
Environmental science & technology
|December 4, 2024
概括
研究人员开发了一种计算机视觉模型,以找到未经记录的孤儿井 (UOW). 这种方法准确地确定了1300多个潜在的UOW,有助于环境保护工作.
科学领域:
- 环境科学 环境科学
- 地理空间分析的研究.
- 人工智能的人工智能
背景情况:
- 无证件孤井 (UOW) 构成环境风险,包括甲泄漏和地下水污染.
- 据估计,在美国存在31万到80万个UOW,其位置在很大程度上是未知的.
研究的目的:
- 开发和验证一个新的框架,准确地确定潜在的UOW的位置.
- 创建一个可扩展的解决方案,用于在美国各地的UOW检测.
主要方法:
- 利用U-Net计算机视觉神经网络模型在历史地形图上训练,以检测石油和天然气井的符号.
- 识别了潜在的UOWs作为位于记录井100米以上的符号.
- 开发了一种定制工具,用于快速验证,并使用卫星图像和磁性调查确认发现.
主要成果:
- 在加利福尼亚州和俄克拉荷马州发现了1301个潜在的UOW,面积超过40,000平方公里.
- 通过卫星图像确认了29个UOW的存在,15个通过磁场调查.
- 对于已确认的UOW位置,实现了10米的空间精度.
结论:
- 开发的框架有效地使用历史地图和人工智能识别潜在的UOW.
- 这种可扩展的方法可以在全国范围内应用,大大改善了危险UOW的检测.
关键词:
在U-net中,U-net是指U-net网络.人工智能的人工智能是人工智能.计算机视觉 计算机视觉历史地形地图的地形地图.石油和天然气行业的石油和天然气行业.语义细分 语义细分 语义细分 语义细分没有证件的孤儿井.
