論文の概要: Real-Time Well Log Prediction From Drilling Data Using Deep Learning
- arxiv url: http://arxiv.org/abs/2001.10156v1
- Date: Tue, 28 Jan 2020 03:57:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 03:09:01.475204
- Title: Real-Time Well Log Prediction From Drilling Data Using Deep Learning
- Title（参考訳）: 深層学習を用いた掘削データからのリアルタイムウェルログ予測
- Authors: Rayan Kanfar, Obai Shaikh, Mehrdad Yousefzadeh, Tapan Mukerji
- Abstract要約: 距離に基づくグローバル感性分析を用いたデータ拡張と特徴工学のためのワークフローを提案する。
Inception-based Convolutional Neural Network with a Temporal Convolutional Network as the Deep Learning model。
北海のVolveフィールドのEquinorデータセットから12の井戸が学習に使用されている。
- 参考スコア（独自算出の注目度）: 2.064612766965483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The objective is to study the feasibility of predicting subsurface rock
properties in wells from real-time drilling data. Geophysical logs, namely,
density, porosity and sonic logs are of paramount importance for subsurface
resource estimation and exploitation. These wireline petro-physical
measurements are selectively deployed as they are expensive to acquire;
meanwhile, drilling information is recorded in every drilled well. Hence a
predictive tool for wireline log prediction from drilling data can help
management make decisions about data acquisition, especially for delineation
and production wells. This problem is non-linear with strong ineractions
between drilling parameters; hence the potential for deep learning to address
this problem is explored. We present a workflow for data augmentation and
feature engineering using Distance-based Global Sensitivity Analysis. We
propose an Inception-based Convolutional Neural Network combined with a
Temporal Convolutional Network as the deep learning model. The model is
designed to learn both low and high frequency content of the data. 12 wells
from the Equinor dataset for the Volve field in the North Sea are used for
learning. The model predictions not only capture trends but are also physically
consistent across density, porosity, and sonic logs. On the test data, the mean
square error reaches a low value of 0.04 but the correlation coefficient
plateaus around 0.6. The model is able however to differentiate between
different types of rocks such as cemented sandstone, unconsolidated sands, and
shale.
- Abstract（参考訳）: 本研究の目的は, 坑井の地下岩石特性をリアルタイム掘削データから予測することである。
密度、ポロシティ、およびソニックログは、地下資源の推定と搾取において最も重要なものである。
これらのワイヤラインの石油物理測定は、取得に費用がかかるため選択的に展開され、一方、掘削された井戸ごとに掘削情報が記録される。
したがって、ドリルデータからのワイヤラインログ予測の予測ツールは、データ取得に関する意思決定、特にデライン化と生産の井戸における管理に役立つ。
この問題は、掘削パラメータ間の強い非作用を持つ非線形であるため、この問題に対処する深層学習の可能性について検討する。
距離に基づくグローバル感性分析を用いたデータ拡張と特徴工学のためのワークフローを提案する。
本稿では,時間的畳み込みネットワークを併用したインセプションに基づく畳み込みニューラルネットワークを深層学習モデルとして提案する。
このモデルは、データの低周波と高周波の両方の内容を学習するように設計されている。
北海のvolveフィールドのためのequinorデータセットから12の井戸が学習に使われている。
モデル予測はトレンドを捉えるだけでなく、密度、ポロシティ、ソニックログにわたって物理的に一貫性がある。
テストデータでは平均二乗誤差は0.04の低値に達するが、相関係数は0.6である。
しかしこのモデルは、セメント砂岩、未固結砂、シェールなどの異なる種類の岩石を区別することができる。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Data-driven prediction of tool wear using Bayesian-regularized
artificial neural networks [8.21266434543609]
工具摩耗の予測は、製造におけるコストの最小化と製品品質の向上に役立つ。
ベイジアン正規化ニューラルネットワーク(BRANN)を用いて,加工工具の摩耗を正確に予測する新しいデータ駆動モデルを提案する。
論文 参考訳（メタデータ） (2023-11-30T15:22:20Z) - Uncertainty and Explainable Analysis of Machine Learning Model for
Reconstruction of Sonic Slowness Logs [5.815454346817298]
我々は、2020年のSPWLAの機械学習コンペティションのデータを用いて、欠落した圧縮波のスローネスとせん断波のスローネスログを予測する。
NGBoostアルゴリズムを用いて、結果と不確実性を予測できるアンサンブル学習モデルを構築する。
その結果,NGBoostモデルでは中性子ポロシティとガンマ線が大きい場合,より遅い予測結果が得られる傾向が示唆された。
論文 参考訳（メタデータ） (2023-08-24T08:03:15Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - Investigation of the Robustness of Neural Density Fields [7.67602635520562]
本研究は、トレーニング中のノイズや制約などの外部要因に対する堅牢性の文脈における神経密度場とその相対誤差について検討する。
両モデルが多面体およびマスコングラウンドの真理で訓練された場合も同様に機能し、基底の真理が精度のボトルネックではないことを示す。
論文 参考訳（メタデータ） (2023-05-31T09:43:49Z) - Deep Active Learning with Noise Stability [24.54974925491753]
ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。
本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。
本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
論文 参考訳（メタデータ） (2022-05-26T13:21:01Z) - Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。
グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。
実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。
ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。
分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
論文 参考訳（メタデータ） (2021-10-20T14:23:54Z) - DeepSatData: Building large scale datasets of satellite images for
training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。
本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文 参考訳（メタデータ） (2021-04-28T15:13:12Z) - HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep
Neural Networks [51.143054943431665]
本稿では、深層ニューラルネットワーク(DNN)による予測をトレーニングデータの効果として解釈する高次データ関連分析(HYDRA)を提案する。
HYDRAは、トレーニング軌跡全体を通して、テストデータポイントに対するトレーニングデータの貢献を評価する。
さらに,HyDRAは,データのコントリビューションを正確に推定し,ノイズのあるデータラベルを検出することで,影響関数よりも優れていることを定量的に示す。
論文 参考訳（メタデータ） (2021-02-04T10:00:13Z) - Machine Learning for Gas and Oil Exploration [0.0]
井戸の丸太にはボアホール周辺の岩石の様々な特徴が含まれており、石油物理学者が予想される炭化水素の量を決定することができる。
これらのログはしばしば不完全であり、その結果、その後の分析はウェルログの完全なポテンシャルを活用できない。
本稿では,機械学習がギャップの埋め合わせに応用され,欠落した値を推定できることを実証する。
次に、モデルの予測を定量的に、予測誤差を追跡し、定性的に、与えられた特性に対する測定値と予測値の進化を深度で捉える。
論文 参考訳（メタデータ） (2020-10-04T11:03:17Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。