Zespół badawczy zaprezentował innowacyjny algorytm oparty na modelach generatywnych do oceny konkurencyjnych interpretacji geologicznych podzbiorów przed wierceniem, co może zredukować koszty związane z wysokorisykowymi decyzjami wiertniczymi. W praktyce eksperci często proponują różne interpretacje tego samego obszaru podziemnego, ale brak praktycznych metod do wczesnego określenia, która jest najbardziej realistyczna - niepewność ta utrzymuje się czasem do momentu wywiercenia kilku studni, co pochłania miliony dolarów.
Metoda polega na przełożeniu konkurencyjnych interpretacji geologicznych na alternatywne priory przestrzenne i ich rankingu na podstawie zgodności z obserwacjami głowicy hydraulicznej. Dla każdej interpretacji model tekst-na-obraz (foundation model) generuje zespół 1600 obrazów geologicznych, a wytrenowany niezależnie autoencoder wariacyjny dostarcza reprezentacji specyficznej dla interpretacji. Nadzorowana sieć inwersyjna mapuje obserwacje głowicy w tę przestrzeń latentną, a zamrożony dekoder produkuje obraz konwertowany na pole log-przewodnictwa. Symulacja stanu ustalonego przepływu dostarcza przewidywane głowice, a wynikająca niezgodność jest konwertowana na wynik kompatybilności w formie rozkładu Gaussa.
Framework ewaluowano na syntetycznym benchmarku opartym na formacji Johansen z trzema interpretacjami o malejącej konsystencji w stosunku do reprezentacji referencyjnej. Zastosowanie modeli generatywnych do tego problemu geologicznego stanowi przełom, ponieważ łączy zdolności sztucznej inteligencji z fizycznym modelowaniem przepływu, umożliwiając wcześniejsze selekcję najlepszych interpretacji bez bezpośredniego dostępu do gęstych danych, które zwykle są niedostępne na wczesnych etapach projektów.