論文の概要: Using machine learning to reduce ensembles of geological models for oil and gas exploration

• arxiv url: http://arxiv.org/abs/2010.08775v1
• Date: Sat, 17 Oct 2020 12:20:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 12:13:20.890376
• Title: Using machine learning to reduce ensembles of geological models for oil and gas exploration
• Title（参考訳）: 機械学習による石油・ガス探査のための地質モデルのアンサンブル削減
• Authors: Anna Roub\'ickov\'a, Lucy MacGregor, Nick Brown, Oliver Thomson Brown, Mike Stewart
• Abstract要約: オイル・イン・プレース(OIP)は、非常に多くの地質モデルを持つ計算に依存している。 データ削減技術は、この設定を小さいが、それでも完全に代表的なアンサンブルに減らすために必要である。 この研究は、0.5%のモデルだけで状態空間全体を記述できるアプローチである。
• 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: Exploration using borehole drilling is a key activity in determining the most appropriate locations for the petroleum industry to develop oil fields. However, estimating the amount of Oil In Place (OIP) relies on computing with a very significant number of geological models, which, due to the ever increasing capability to capture and refine data, is becoming infeasible. As such, data reduction techniques are required to reduce this set down to a smaller, yet still fully representative ensemble. In this paper we explore different approaches to identifying the key grouping of models, based on their most important features, and then using this information select a reduced set which we can be confident fully represent the overall model space. The result of this work is an approach which enables us to describe the entire state space using only 0.5\% of the models, along with a series of lessons learnt. The techniques that we describe are not only applicable to oil and gas exploration, but also more generally to the HPC community as we are forced to work with reduced data-sets due to the rapid increase in data collection capability.
• Abstract（参考訳）: ボーリング掘削は石油産業が油田を開発するのに最適な場所を決定する上で重要な活動である。 しかし、オイルインプレース(OIP)の量の推定は、非常に多くの地質モデルによる計算に依存しており、データのキャプチャと精錬能力の増大により、実現不可能になりつつある。 そのため、この設定を小さいが、それでも完全に代表的なアンサンブルに減らすために、データ還元技術が必要である。 本稿では,その最も重要な特徴に基づいて,モデルの主要なグループ化を識別するための異なるアプローチについて検討し,その情報を用いて,モデル空間全体を完全に表現できる還元集合を選択する。 この研究の成果は、学習した一連の教訓とともに、モデルの0.5\%のみを使用して、状態空間全体を記述できるアプローチである。 私たちが記述するテクニックは、石油やガスの探査だけでなく、データ収集能力の急速な向上によって、データセットの削減を余儀なくされているhpcコミュニティにも適用できます。

関連論文リスト

• Enabling Advanced Land Cover Analytics: An Integrated Data Extraction Pipeline for Predictive Modeling with the Dynamic World Dataset [1.3757956340051605]
  Dynamic Worldデータセットを扱うために、フレキシブルで効率的なエンドツーエンドパイプラインを提示します。 これには、ノイズ除去に取り組む前処理および表現フレームワーク、大量のデータの効率的な抽出、LULCデータの再表現が含まれる。 パイプラインのパワーを実証するために、都市化予測問題のためのデータを抽出し、優れたパフォーマンスで機械学習モデルのスイートを構築する。
  論文  参考訳（メタデータ） (2024-10-11T16:13:01Z)
• Towards Universal Large-Scale Foundational Model for Natural Gas Demand Forecasting [12.60741035434783]
  本稿では,天然ガス需要予測に適した基礎モデルを提案する。 提案手法は,現実シナリオの予測精度を向上させるために,コントラスト学習を利用する。 ENNグループによる大規模データセットを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-09-24T06:44:29Z)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• Privacy Adhering Machine Un-learning in NLP [66.17039929803933]
  現実の業界では、機械学習を使ってユーザデータに基づくモデルを構築します。 このような委任事項には、データだけでなく、モデルの再トレーニングにも労力が要る。 データの継続的な削除と モデル再訓練のステップはスケールしません この課題に対処するために、textitMachine Unlearningを提案する。
  論文  参考訳（メタデータ） (2022-12-19T16:06:45Z)
• Self-supervised similarity models based on well-logging data [1.0723143072368782]
  油田の異なる問題に対する解に適した普遍的なデータ表現を提供する手法を提案する。 当社のアプローチは,間隔の連続的なログデータに対する自己管理手法に依拠している。 変動型オートエンコーダを用いることで、最も信頼性が高く正確なモデルが得られることがわかった。
  論文  参考訳（メタデータ） (2022-09-26T06:24:08Z)
• Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
  本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。 我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-06-30T11:39:12Z)
• Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
  我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。 私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-10T17:04:04Z)
• Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
  そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。 両手法の有効性とロバスト性を実証的に示す。 我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
  論文  参考訳（メタデータ） (2022-05-12T17:03:57Z)
• Deep residential representations: Using unsupervised learning to unlock elevation data for geo-demographic prediction [0.0]
  LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。 現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。 我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
  論文  参考訳（メタデータ） (2021-12-02T17:10:52Z)
• MapLUR: Exploring a new Paradigm for Estimating Air Pollution using Deep Learning on Map Images [4.7791671364702575]
  土地利用回帰モデルは, 計測ステーションのない地域での大気汚染濃度を評価する上で重要である。 我々は,オープンかつグローバルなデータのみを用いて,純粋にデータ駆動型アプローチに基づくモデルを実現する,データ駆動型オープングローバル(DOG)パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-02-18T11:21:55Z)

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。