في دراسة حديثة تبرز أهمية تقنيات التعلم الآلي في الجيولوجيا، تم تقديم منهجية جديدة لتحليل الإيليكتروفاسيز (Electrofacies) باستخدام التعلم الآلي غير الخاضع للإشراف، وذلك في حوض كيتا البحري في غانا، حيث تعتبر بيانات الكور نادرة.

استندت الدراسة إلى تحليل ستة سجلات سلكية (Wireline Logs) من بئر C، حيث تم جمع البيانات على عمق يزيد عن 11,195 عينة. تم تطبيق طريقة K-means clustering في فضاء السجلات المتعددة المتغيرات، وتم تقييم بنية التجميع باستخدام مقاييس مثل العزم (inertia) والتشخيصات الظلية (silhouette diagnostics).

أظهرت النتائج تحديد أربعة تجمعات، بدعم من متوسط معامل الظل يبلغ حوالي 0.50، مما يدل على فصل معتدل ولكنه ذو دلالة. تعكس الإيليكتروفاسيز الناتجة أنماطًا منتظمة تستمر عبر العمق، مرتبطة بتغيرات في محتوى الطين، المسامية، وخصائص هيكل الصخور، مما يشكل تدرجًا جيولوجيًا من الوحدات التي تهيمن عليها الصفائح الطينية إلى الوحدات التي تحتوي على رمل أنظف.

تسلط النتائج الضوء على أن استخدام التجميع غير الخاضع للإشراف على السجلات فقط، المدعوم بمقاييس كمية، يوفر إطارًا موثوقًا وقابلًا للتكرار لتوصيف الطبقات تحت السطح. توفر المنهجية المقترحة أداة عملية للتقييم المبكر للتكوينات في الأحواض البحرية الحدودية وتأسيسًا للدراسات المتكاملة المستقبلية.

ما رأيكم في استخدام هذه التقنيات الحديثة في استكشافاتكم الخاصة؟ شاركونا أفكاركم في التعليقات!