論文の概要: Error Control and Loss Functions for the Deep Learning Inversion of
Borehole Resistivity Measurements
- arxiv url: http://arxiv.org/abs/2005.08868v3
- Date: Thu, 28 May 2020 10:59:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 00:22:22.325280
- Title: Error Control and Loss Functions for the Deep Learning Inversion of
Borehole Resistivity Measurements
- Title（参考訳）: ボアホール比抵抗測定の深部学習インバージョンにおける誤差制御と損失関数
- Authors: M. Shahriari, D. Pardo, J. A. Rivera, C. Torres-Verd\'in, A. Picon, J.
Del Ser, S. Ossand\'on, V. M. Calo
- Abstract要約: ボアホール比抵抗測定の逆解析に応用したディープニューラルネットワーク(DNN)の2つの重要な側面について検討した。
理論的な考察と広範な数値実験を通して説明するように、これらの側面は正確な逆解析結果の復元に不可欠である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning (DL) is a numerical method that approximates functions.
Recently, its use has become attractive for the simulation and inversion of
multiple problems in computational mechanics, including the inversion of
borehole logging measurements for oil and gas applications. In this context, DL
methods exhibit two key attractive features: a) once trained, they enable to
solve an inverse problem in a fraction of a second, which is convenient for
borehole geosteering operations as well as in other real-time inversion
applications. b) DL methods exhibit a superior capability for approximating
highly-complex functions across different areas of knowledge. Nevertheless, as
it occurs with most numerical methods, DL also relies on expert design
decisions that are problem specific to achieve reliable and robust results.
Herein, we investigate two key aspects of deep neural networks (DNNs) when
applied to the inversion of borehole resistivity measurements: error control
and adequate selection of the loss function. As we illustrate via theoretical
considerations and extensive numerical experiments, these interrelated aspects
are critical to recover accurate inversion results.
- Abstract（参考訳）: deep learning (dl) は関数を近似する数値的手法である。
近年,石油・ガス利用のためのボーリング検層測定のインバージョンなど,計算力学における複数の問題のシミュレーションとインバージョンに利用が注目されている。
この文脈では、DLメソッドには2つの重要な特徴がある。
a) 一度トレーニングすると、彼らは1秒で逆問題を解くことができる。これはボーリングホールのジオステアリング操作や、他のリアルタイムの反転アプリケーションで便利である。
b) dl法は、異なる知識領域にまたがる高複素関数を近似する優れた能力を示す。
しかしながら、ほとんどの数値的な手法で発生するため、DLは信頼性と堅牢性を達成するために問題固有の専門家の設計決定にも依存している。
本稿では,深層ニューラルネットワーク(dnn)のボアホール比抵抗測定のインバージョンに適用するにあたって,誤差制御と損失関数の適切な選択という2つの重要な側面について検討する。
理論的な考察と広範な数値実験を通して説明するように、これらの相互関係の側面は正確な逆解析結果の復元に不可欠である。
関連論文リスト
- Enhancing Hypergradients Estimation: A Study of Preconditioning and
Reparameterization [49.73341101297818]
双レベル最適化は、内部最適化問題の解に依存する外的目的関数を最適化することを目的としている。
外部問題の過次性を計算する従来の方法は、Implicit Function Theorem (IFT) を使うことである。
IFT法の誤差について検討し,この誤差を低減するための2つの手法を解析した。
論文 参考訳（メタデータ） (2024-02-26T17:09:18Z) - Nearly Optimal VC-Dimension and Pseudo-Dimension Bounds for Deep Neural
Network Derivatives [13.300625539460217]
本稿では, ほぼ最適なVapnik-Chervonenkis次元(VC次元)の問題とディープニューラルネットワーク(DNN)の導関数の擬次元推定について述べる。
この2つの重要な応用は,1) ソボレフ空間におけるDNNのほぼ密近似値の確立,2) 関数導関数を含む損失関数を持つ機械学習手法の一般化誤差のキャラクタリゼーションである。
論文 参考訳（メタデータ） (2023-05-15T09:10:12Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - Semi-supervised Invertible DeepONets for Bayesian Inverse Problems [8.594140167290098]
DeepONetsは、学習オペレーターによってパラメトリックPDEを解決する強力なデータ駆動ツールを提供する。
本研究では,高次元ベイズ逆問題(Bayesian inverse problem)の文脈で物理インフォームド・ディープノネット(DeepONets)を用いる。
論文 参考訳（メタデータ） (2022-09-06T18:55:06Z) - Multigoal-oriented dual-weighted-residual error estimation using deep
neural networks [0.0]
ディープラーニングは、関数を近似する柔軟性の高い強力なツールだと考えられている。
提案手法は,誤差の局所化に付随する問題を解く後続誤差推定法に基づく。
複数のゴール関数に対する後方誤差推定を得るために,効率的で実装が容易なアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-12-21T16:59:44Z) - Tesseract: Tensorised Actors for Multi-Agent Reinforcement Learning [92.05556163518999]
MARLは、コミュニケーションと可観測性に様々な制約を課すことによって、問題を悪化させる。
値ベースの手法では、最適な値関数を正確に表現することが課題となる。
政策勾配法では、批判者の訓練を困難にし、遅れる批判者の問題を悪化させる。
学習理論の観点からは、関連するアクション値関数を正確に表現することで、両方の問題に対処できることが示される。
論文 参考訳（メタデータ） (2021-05-31T23:08:05Z) - Design of borehole resistivity measurement acquisition systems using
deep learning [0.0]
lwd(loging-while-drilling)装置で記録されたボアホール比抵抗測定は、地球の地下特性を特徴付けるために広く用いられている。
LWD機器は、井戸付近の地表の電気的性質を推定するために、電磁的測定のリアルタイム反転を必要とします。
深層ニューラルネットワーク(dnn)に基づく手法は,ボーリングホール比抵抗測定の高速インバージョンに適している。
論文 参考訳（メタデータ） (2021-01-12T12:49:44Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳（メタデータ） (2020-10-29T06:32:53Z) - Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
本稿では,データ駆動型汎用全深度変動正規化器について紹介する。
コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。
我々は多数の画像処理タスクに対して最先端の結果を得る。
論文 参考訳（メタデータ） (2020-06-15T21:54:15Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳（メタデータ） (2019-12-30T14:42:52Z)
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。