論文の概要: Modeling extra-deep electromagnetic logs using a deep neural network
- arxiv url: http://arxiv.org/abs/2005.08919v3
- Date: Fri, 13 Aug 2021 08:52:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 00:50:57.253168
- Title: Modeling extra-deep electromagnetic logs using a deep neural network
- Title（参考訳）: 深層ニューラルネットワークを用いた深部電磁石のモデル化
- Authors: Sergey Alyaev, Mostafa Shahriari, David Pardo, Angel Javier Omella,
David Larsen, Nazanin Jahani, Erich Suter
- Abstract要約: 現代のジオステアリングは、ディープ電磁(EM)測定のリアルタイム解釈に大きく依存している。
本稿では,ディープニューラルネットワーク(DNN)モデルの構築手法を提案する。
モデルは、比抵抗値の異なる最大7層からなる1D層環境で訓練される。
- 参考スコア（独自算出の注目度）: 0.415623340386296
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern geosteering is heavily dependent on real-time interpretation of deep
electromagnetic (EM) measurements. We present a methodology to construct a deep
neural network (DNN) model trained to reproduce a full set of extra-deep EM
logs consisting of 22 measurements per logging position. The model is trained
in a 1D layered environment consisting of up to seven layers with different
resistivity values. A commercial simulator provided by a tool vendor is used to
generate a training dataset. The dataset size is limited because the simulator
provided by the vendor is optimized for sequential execution. Therefore, we
design a training dataset that embraces the geological rules and geosteering
specifics supported by the forward model. We use this dataset to produce an EM
simulator based on a DNN without access to the proprietary information about
the EM tool configuration or the original simulator source code. Despite
employing a relatively small training set size, the resulting DNN forward model
is quite accurate for the considered examples: a multi-layer synthetic case and
a section of a published historical operation from the Goliat Field. The
observed average evaluation time of 0.15 ms per logging position makes it also
suitable for future use as part of evaluation-hungry statistical and/or
Monte-Carlo inversion algorithms within geosteering workflows.
- Abstract（参考訳）: 現代のジオステアリングは、深電磁測定のリアルタイム解釈に大きく依存している。
本稿では,深層ニューラルネットワーク(DNN)モデルを構築し,ロギング位置当たり22測定値からなる,完全な深部EMログを再現する手法を提案する。
モデルは、比抵抗値の異なる最大7層からなる1次元の層状環境で訓練される。
ツールベンダーが提供する商用シミュレータを使用して、トレーニングデータセットを生成する。
ベンダーが提供するシミュレータがシーケンシャルな実行に最適化されているため、データセットのサイズは制限されている。
そこで,我々は,フォワードモデルが支持する地質規則とジオステアリング仕様を取り入れたトレーニングデータセットを設計する。
本データセットを用いて,DNNをベースとしたEMシミュレータを作成し,EMツール構成やオリジナルのシミュレータソースコードのプロプライエタリな情報にアクセスすることなく生成する。
トレーニングセットのサイズは比較的小さいが、結果として得られたdnnのフォワードモデルは、考慮された例では極めて正確である: 多層合成ケースと、ゴリアトフィールドから公開された歴史的操作のセクションである。
観測されたロギング位置平均評価時間は0.15msであり、ジオステアリングワークフロー内の統計的および/またはモンテカルロ逆アルゴリズムの一部として将来の用途にも適している。
関連論文リスト
- Data-Augmented Predictive Deep Neural Network: Enhancing the extrapolation capabilities of non-intrusive surrogate models [0.5735035463793009]
本稿では、カーネル動的モード分解(KDMD)を用いて、畳み込みオートエンコーダ(CAE)のエンコーダ部が生成する潜伏空間のダイナミクスを進化させる新しいディープラーニングフレームワークを提案する。
KDMD-decoder-extrapolated dataを元のデータセットに追加した後、この拡張データを用いてフィードフォワードディープニューラルネットワークと共にCAEをトレーニングする。
トレーニングされたネットワークは、トレーニング外のパラメータサンプルでトレーニング時間間隔外の将来の状態を予測できる。
論文 参考訳（メタデータ） (2024-10-17T09:26:14Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - TRAK: Attributing Model Behavior at Scale [79.56020040993947]
本稿では,大規模な微分モデルに対して有効かつ計算的に抽出可能なデータ属性法であるTRAK(Tracing with Randomly-trained After Kernel)を提案する。
論文 参考訳（メタデータ） (2023-03-24T17:56:22Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳（メタデータ） (2023-02-20T22:25:47Z) - Strategic Geosteeering Workflow with Uncertainty Quantification and Deep
Learning: A Case Study on the Goliat Field [0.0]
本稿では,オフラインとオンラインのフェーズからなる実践的なワークフローを提案する。
オフラインフェーズには、不確実な事前ニアウェルジオモデルのトレーニングと構築が含まれている。
オンラインフェーズでは、フレキシブルな反復アンサンブルスムーズ(FlexIES)を使用して、極深電磁データのリアルタイム同化を行う。
論文 参考訳（メタデータ） (2022-10-27T15:38:26Z) - Fast emulation of density functional theory simulations using
approximate Gaussian processes [0.6445605125467573]
シミュレーション出力を予測する第2の統計モデルは、モデルフィッティング中の完全なシミュレーションの代わりに使用できる。
我々は,観測データを用いた密度汎関数理論(DFT)モデルパラメータのキャリブレーションにエミュレータを用いた。
これらのDFTモデルの有用性は、観測されたデータに基づいて、実験的に観測されていない核種の性質に関する予測を行うことである。
論文 参考訳（メタデータ） (2022-08-24T05:09:36Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - StorSeismic: A new paradigm in deep learning for seismic processing [0.0]
StorSeismicは地震データ処理のフレームワークである。
我々は, 自己監督段階において, 人工的に生成された地震データとともに, 事前訓練を行った。
そして,ラベル付き合成データを用いて,事前学習したネットワークを教師付き方式で微調整し,各種の耐震処理を行う。
論文 参考訳（メタデータ） (2022-04-30T09:55:00Z) - Opportunistic Emulation of Computationally Expensive Simulations via
Deep Learning [9.13837510233406]
本稿では,APSIMモデルの機会論的モデルエミュレーションにおけるディープニューラルネットワークの利用について検討する。
我々は,APSIMモデルの4つの重要な出力(runoff, soil_loss, DINrunoff, Nleached)をエミュレートすることに重点を置いている。
論文 参考訳（メタデータ） (2021-08-25T05:57:16Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Statistical model-based evaluation of neural networks [74.10854783437351]
ニューラルネットワーク(NN)の評価のための実験装置を開発する。
このセットアップは、NNs vis-a-vis minimum-mean-square-error (MMSE)パフォーマンス境界のベンチマークに役立つ。
これにより、トレーニングデータサイズ、データ次元、データ幾何学、ノイズ、トレーニング条件とテスト条件のミスマッチの影響をテストできます。
論文 参考訳（メタデータ） (2020-11-18T00:33:24Z)
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。