論文の概要: Machine Learning for Gas and Oil Exploration

• arxiv url: http://arxiv.org/abs/2010.04186v1
• Date: Sun, 4 Oct 2020 11:03:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 04:17:25.496165
• Title: Machine Learning for Gas and Oil Exploration
• Title（参考訳）: ガス・石油探査のための機械学習
• Authors: Vito Alexander Nordloh, Anna Roub\'ickov\'a, Nick Brown
• Abstract要約: 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。
• 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: Drilling boreholes for gas and oil extraction is an expensive process and profitability strongly depends on characteristics of the subsurface. As profitability is a key success factor, companies in the industry utilise well logs to explore the subsurface beforehand. These well logs contain various characteristics of the rock around the borehole, which allow petrophysicists to determine the expected amount of contained hydrocarbon. However, these logs are often incomplete and, as a consequence, the subsequent analyses cannot exploit the full potential of the well logs. In this paper we demonstrate that Machine Learning can be applied to \emph{fill in the gaps} and estimate missing values. We investigate how the amount of training data influences the accuracy of prediction and how to best design regression models (Gradient Boosting and neural network) to obtain optimal results. We then explore the models' predictions both quantitatively, tracking the prediction error, and qualitatively, capturing the evolution of the measured and predicted values for a given property with depth. Combining the findings has enabled us to develop a predictive model that completes the well logs, increasing their quality and potential commercial value.
• Abstract（参考訳）: ガス・石油抽出のための掘削孔は高価なプロセスであり、収益性は地下特性に強く依存する。 収益性は重要な成功要因であるため、業界内の企業は、地下の探査に十分なログを活用している。 これらの井戸の丸太はボーリングホール周辺の岩石の様々な特徴を含んでおり、石油物理学者が含有する炭化水素の量を決定することができる。 しかし、これらのログはしばしば不完全であり、その結果、その後の分析ではウェルログのポテンシャルをフル活用できない。 本稿では,機械学習がギャップ内でのemph{fillに適用可能であることを実証し,欠落した値を推定する。 学習データの量が予測精度にどのように影響するか,回帰モデル(段階的ブースティングとニューラルネットワーク)を最適に設計し,最適な結果を得る方法について検討する。 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。 この結果を組み合わせることで、ウェルログを完了し、その品質と潜在的な商業価値を高める予測モデルの開発が可能になった。

関連論文リスト

• Machine Learning-Based Completions Sequencing for Well Performance Optimization [0.0]
  このプロジェクトの主な目的は、多次元予測変数の効果を統合できる効果的な機械学習モデルを開発することである。 3つのモデルは全て、7.35から20.01万バレルの石油の根平均二乗誤差(RMSE)値で累積生産予測を行った。 包括的機能エンジニアリングやハイブリッドモデルやサロゲートモデルの使用を推奨するなど、大幅な改善の可能性がある。
  論文  参考訳（メタデータ） (2024-02-23T21:11:17Z)
• Towards out-of-distribution generalizable predictions of chemical kinetics properties [61.15970601264632]
  Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。 本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。 我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-10-04T20:36:41Z)
• 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)
• Enhancing Petrophysical Studies with Machine Learning: A Field Case Study on Permeability Prediction in Heterogeneous Reservoirs [0.0]
  この研究では、ニューラルネットワーク(ANN)、ランダムフォレスト(RFC)、サポートベクトルマシン(SVM)の3つの機械学習アルゴリズムが採用された。 本研究の主な目的は,透過性予測における3つの機械学習アルゴリズムの有効性を比較し,最適予測法を決定することである。 この発見は貯水池のシミュレーションを改善し、より正確に将来の井戸を見つけるために使われる。
  論文  参考訳（メタデータ） (2023-05-11T21:23:37Z)
• Extreme Gradient Boosting for Yield Estimation compared with Deep Learning Approaches [0.0]
  本稿では,XGBoost(Extreme Gradient Boosting, エクストリームグラディエントブースティング)を利得予測に利用するための,リモートセンシング画像を特徴ベース表現に処理するためのパイプラインを提案する。 米国におけるダイズ収量予測の比較評価は,Deep Learningに基づく最先端の収量予測システムと比較して有望な予測精度を示している。
  論文  参考訳（メタデータ） (2022-08-26T12:48:18Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Hybrid and Automated Machine Learning Approaches for Oil Fields Development: the Case Study of Volve Field, North Sea [58.720142291102135]
  本稿では,意思決定プロセスを支援する分野開発タスクにおけるインテリジェントなアプローチの利用について述べる。 我々は,油田立地最適化の問題と,その中の2つの課題に注目し,石油生産量推定の品質向上と貯水池特性の評価を行う。 実装されたアプローチは、異なる油田を解析したり、同様の物理問題に適応することができる。
  論文  参考訳（メタデータ） (2021-03-03T18:51:46Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)
• Real-Time Well Log Prediction From Drilling Data Using Deep Learning [2.064612766965483]
  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。
  論文  参考訳（メタデータ） (2020-01-28T03:57:31Z)

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。