AI/ML Augmented Subsurface Data Workflows for Low Carbon Datasets

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Highlights the need for FAIR-compliant datasets to enable reliable AI/ML models in low-carbon subsurface projects.

🏢実務担当者:Provides a framework for data aggregation and standardization to improve AI/ML outcomes in geothermal and CCS projects.

抄録 地下エネルギー事業におけるAI/MLワークフローは、最新のデータ管理プラクティスに従って管理された、高品質で厳選された地盤工学データへのアクセスに依存している。これにより、重要なビジネス上の意思決定が可能となり、地熱、鉱物採掘、炭素隔離などの低炭素エネルギー事業を支援するために、高品質で厳選され、容易にアクセス可能なデータを用いてデジタルデータとの相互運用が実現する。生成AI/MLに関する最近の経験から、低炭素事業向けの地盤工学データセットには、統合、ガバナンス、データ提供可能性におけるバイアスやギャップが欠如している可能性があることが浮き彫りになった。公開されている政府データセットでは、完全に発見可能、アクセス可能、相互運用可能、再利用可能（FAIR）な地球科学データはわずか20%程度である可能性があり、地盤工学データセットにおける空間的・時間的バイアスは、ビジネス上の意思決定を支援する上で重要な地盤特性の真の分布を誤って表現する可能性がある。これらのデータセットに対する付加価値のある集約、標準化、キュレーションは、AI/MLワークフローに対して測定可能な形でより適合性の高いものとすることを保証できる。これにより、モデルが、信頼性の高いデータ駆動型クエリを支援するには基礎となるデータセットのキュレーションや標準化が不十分であることを明らかにするような結果を回避できる。断片化されたデータソース、一貫性のないデータ品質、不十分なデータ相互運用性の影響を軽減することで、集約された地盤工学データセットを用いた低炭素エネルギー事業での再利用に向けたAI/MLの展開が改善される。AI/ML拡張SQLクエリからの応答の正確性は、メタデータ抽出を自動化し、オープンソースの業界標準データモデルの使用を支援することで向上できる。データ品質と取り込みワークフローにより、メタデータパターンとデータセット利用行動の分析が可能となり、提供可能性が改善される。地下エネルギー事業のデータアグリゲーターとパブリッシャーは、AI/MLを支援するために、業界で受け入れられている最適なデータ管理標準を展開できる。展開は、データの可用性と提供可能性について評価でき、FAIRデータの提供がAI指標をどのように改善するかを測定できる。FAIRデータを提供するプラットフォーム上で利用可能な主要なデータタイプは、プロジェクトで利用可能な付加価値時間の量を増加させることができる。これは、地下の多資源データ駆動型モデルに適合するデータ量を増やすために活用できる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Abstract AI/ML workflows in subsurface energy projects depend on access to high-quality, well-curated geotechnical data managed according to modern data management practices. This enables critical business decisions, interoperating with digital data to support low-carbon energy projects like geothermal, mineral extraction, and carbon sequestration, using high quality, well-curated, and easily accessible data. Recent experiences with generative AI/ML have highlighted geotechnical data sets for low-carbon projects that can lack integration, governance, and data deliverability biases, and gaps. Published government datasets may have as little as 20% of geoscience data that is fully Findable, Accessible, Interoperable, and Reusable (FAIR), while spatial and temporal biases in geotechnical datasets can misrepresent the true distribution of earth properties critical to supporting business decisions. Value added aggregation, standardization, and curation of these datasets can ensure that they are measurably more fit for purpose for AI/ML workflows. This helps avoid outcomes in which models reveal that underlying datasets are insufficiently curated or standardized to support reliable data-driven queries. Mitigating the impact of fragmented data sources, inconsistent data quality and insufficient data interoperability will improve AI/ML deployments for re-use in low carbon energy projects using aggregated geotechnical data sets. Accuracy of responses from AI/ML Augmented SQL queries can be increased by automating metadata extraction and supporting the use of open-source industry standard data models. Data quality and ingestion workflows allow analysis of metadata patterns and data set usage behaviors to improve deliverability. Subsurface energy data aggregators and publishers can deploy optimum industry accepted data management standards to support AI/ML. Deployments can be evaluated for data availability and deliverability, measuring how delivering FAIR data can improve AI metrics. Key data types available on platforms that deliver FAIR data can increase the amount of value-added time available on projects. This can be leveraged to increase the volumes of data that are fit-for-purpose for subsurface multi-resource data-driven models.

• openalex https://doi.org/10.2118/232914-msfirst seen 2026-05-17 05:34:14 · last seen 2026-06-03 04:58:22