論文の概要: Machine learning on Crays to optimise petrophysical workflows in oil and
gas exploration
- arxiv url: http://arxiv.org/abs/2010.02087v1
- Date: Thu, 1 Oct 2020 10:14:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 08:56:17.552066
- Title: Machine learning on Crays to optimise petrophysical workflows in oil and
gas exploration
- Title(参考訳): 石油・ガス探査における物理ワークフローを最適化するcraysの機械学習
- Authors: Nick Brown, Anna Roubickova, Ioanna Lampaki, Lucy MacGregor, Michelle
Ellis, Paola Vera de Newton
- Abstract要約: 本稿では、Cray XC30上で教師付き機械学習を用いて、Rock Solid Images(RSI)と共同で作業を行う。
生のウェルログデータを用いて訓練された数学的モデルの使用について述べる。
これらのモデルからの予測は、人間の石油物理学者の解釈とどのように比較されるのかを考察する。
- 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: The oil and gas industry is awash with sub-surface data, which is used to
characterize the rock and fluid properties beneath the seabed. This in turn
drives commercial decision making and exploration, but the industry currently
relies upon highly manual workflows when processing data. A key question is
whether this can be improved using machine learning to complement the
activities of petrophysicists searching for hydrocarbons. In this paper we
present work done, in collaboration with Rock Solid Images (RSI), using
supervised machine learning on a Cray XC30 to train models that streamline the
manual data interpretation process. With a general aim of decreasing the
petrophysical interpretation time down from over 7 days to 7 minutes, in this
paper we describe the use of mathematical models that have been trained using
raw well log data, for completing each of the four stages of a petrophysical
interpretation workflow, along with initial data cleaning. We explore how the
predictions from these models compare against the interpretations of human
petrophysicists, along with numerous options and techniques that were used to
optimise the prediction of our models. The power provided by modern
supercomputers such as Cray machines is crucial here, but some popular machine
learning framework are unable to take full advantage of modern HPC machines. As
such we will also explore the suitability of the machine learning tools we have
used, and describe steps we took to work round their limitations. The result of
this work is the ability, for the first time, to use machine learning for the
entire petrophysical workflow. Whilst there are numerous challenges,
limitations and caveats, we demonstrate that machine learning has an important
role to play in the processing of sub-surface data.
- Abstract(参考訳): 石油とガス産業は、海底の岩石と流体の特性を特徴づけるために使用される地下データで溢れている。
これにより、商業的な意思決定と探索が促進されるが、業界は現在、データ処理において非常に手動のワークフローに依存している。
重要な疑問は、炭化水素を探索する石油物理学者の活動を補完するために機械学習を使ってこれを改善できるかどうかである。
本稿では、Cray XC30上で教師付き機械学習を用いて、Rock Solid Images(RSI)と共同で、手動データ解釈プロセスを効率化するモデルをトレーニングする作業を行う。
本論文では, 石油物理解釈ワークフローの4段階のそれぞれを完了させるため, 生の井戸ログデータを用いて訓練した数理モデルを用いて, 初期のデータクリーニングとともに, 石油物理解釈の時間を7日以上から7分に短縮することを目的としている。
これらのモデルからの予測は、人間の石油物理学者の解釈と、我々のモデルの予測を最適化するために使われた多くのオプションとテクニックとを比較した。
Crayマシンのような現代のスーパーコンピュータが提供するパワーは重要であるが、現代のHPCマシンを最大限に活用することのできる機械学習フレームワークはいくつかある。
そのために、使用した機械学習ツールの適合性についても検討し、その制限を回避したステップについて説明します。
この研究の成果は、初めて、石油物理学のワークフロー全体に対して機械学習を使用する能力である。
多くの課題、制限、注意事項があるが、機械学習が地下データの処理において重要な役割を果たしていることを示す。
関連論文リスト
- Machine Learning Operations: A Mapping Study [0.0]
この記事では、MLOpsパイプラインのいくつかのコンポーネントに存在する問題について論じる。
MLOpsシステムで発生する課題を、異なる焦点領域に分類するために、システマティックマッピング研究が実施されている。
この研究の主な価値は、MLOpsの独特な課題と、私たちの研究で概説された推奨された解決策をマッピングすることです。
論文 参考訳(メタデータ) (2024-09-28T17:17:40Z) - Any-point Trajectory Modeling for Policy Learning [64.23861308947852]
我々は、ビデオフレーム内の任意の点の将来の軌跡を予測するために、ATM(Any-point Trajectory Modeling)を導入する。
ATMは、強力なビデオ事前トレーニングベースラインを平均80%上回っている。
本研究では,人間の動画やビデオからの操作スキルを,異なるロボット形態から効果的に伝達する学習方法を示す。
論文 参考訳(メタデータ) (2023-12-28T23:34:43Z) - Combatting Human Trafficking in the Cyberspace: A Natural Language
Processing-Based Methodology to Analyze the Language in Online Advertisements [55.2480439325792]
このプロジェクトは、高度自然言語処理(NLP)技術により、オンラインC2Cマーケットプレースにおける人身売買の急激な問題に取り組む。
我々は、最小限の監督で擬似ラベル付きデータセットを生成する新しい手法を導入し、最先端のNLPモデルをトレーニングするための豊富なリソースとして機能する。
重要な貢献は、Integrated Gradientsを使った解釈可能性フレームワークの実装であり、法執行にとって重要な説明可能な洞察を提供する。
論文 参考訳(メタデータ) (2023-11-22T02:45:01Z) - Time Series Predictions in Unmonitored Sites: A Survey of Machine Learning Techniques in Water Resources [10.307058787085094]
モニタリングされていない場所での動的環境変数の予測は、水資源科学の長年の課題である。
現代の機械学習手法は、水文時系列予測のためのプロセスベースおよび経験的モデルよりもますます優れている。
ストリームフロー,水質,その他の水資源予測における機械学習の最先端技術応用について概説する。
論文 参考訳(メタデータ) (2023-08-18T18:30:33Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳(メタデータ) (2022-09-05T16:48:34Z) - AI for Porosity and Permeability Prediction from Geologic Core X-Ray
Micro-Tomography [0.0]
岩盤の物理的特性を予測するために,非常に小さなCNN変換器モデルを用いた自己教師付き事前学習を提案する。
この手法は, 極端に小さなデータセットであっても過度に適合しないことを示す。
論文 参考訳(メタデータ) (2022-05-26T06:55:03Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳(メタデータ) (2021-06-14T11:42:46Z) - tf.data: A Machine Learning Data Processing Framework [0.4588028371034406]
機械学習モデルのトレーニングには、モデルに入力データを入力する必要がある。
機械学習ジョブのための効率的な入力パイプラインの構築と実行のためのフレームワークであるtf.dataを提案する。
入力パイプラインのパフォーマンスは、最先端の機械学習モデルのエンドツーエンドのトレーニング時間に極めて重要であることを実証する。
論文 参考訳(メタデータ) (2021-01-28T17:16:46Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳(メタデータ) (2020-03-11T08:25:49Z)
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。