論文の概要: Design of borehole resistivity measurement acquisition systems using
deep learning
- arxiv url: http://arxiv.org/abs/2101.05623v1
- Date: Tue, 12 Jan 2021 12:49:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 01:29:15.228255
- Title: Design of borehole resistivity measurement acquisition systems using
deep learning
- Title（参考訳）: 深層学習によるボアホール比抵抗測定システムの設計
- Authors: M. Shahriari, A. Hazra, D. Pardo
- Abstract要約: 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。
- 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: Borehole resistivity measurements recorded with logging-while-drilling (LWD)
instruments are widely used for characterizing the earth's subsurface
properties. They facilitate the extraction of natural resources such as oil and
gas. LWD instruments require real-time inversions of electromagnetic
measurements to estimate the electrical properties of the earth's subsurface
near the well and possibly correct the well trajectory. Deep Neural Network
(DNN)-based methods are suitable for the rapid inversion of borehole
resistivity measurements as they approximate the forward and inverse problem
offline during the training phase and they only require a fraction of a second
for the evaluation (aka prediction). However, the inverse problem generally
admits multiple solutions. DNNs with traditional loss functions based on data
misfit are ill-equipped for solving an inverse problem. This can be partially
overcome by adding regularization terms to a loss function specifically
designed for encoder-decoder architectures. But adding regularization seriously
limits the number of possible solutions to a set of a priori desirable physical
solutions. To avoid this, we use a two-step loss function without any
regularization. In addition, to guarantee an inverse solution, we need a
carefully selected measurement acquisition system with a sufficient number of
measurements. In this work, we propose a DNN-based iterative algorithm for
designing such a measurement acquisition system. We illustrate our DNN-based
iterative algorithm via several synthetic examples. Numerical results show that
the obtained measurement acquisition system is sufficient to identify and
characterize both resistive and conductive layers above and below the logging
instrument. Numerical results are promising, although further improvements are
required to make our method amenable for industrial purposes.
- Abstract（参考訳）: 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。
石油やガスなどの天然資源の抽出を促進する。
lwd装置は、井戸付近の地表面の電気的特性を推定し、おそらく井戸軌道を補正するために、電磁的測定のリアルタイムな反転を必要とする。
深層ニューラルネットワーク(dnn)ベースの手法は、トレーニングフェーズ中にオフラインで前方および逆問題を近似するので、ボアホール比抵抗測定の迅速な反転に適しており、評価にほんの1秒(すなわち予測)しか必要としない。
しかし、逆問題は通常複数の解を許容する。
データミスフィットに基づく従来の損失関数を持つDNNは、逆問題の解決には不適当である。
これは、エンコーダ-デコーダアーキテクチャ用に特別に設計された損失関数に正規化項を追加することで部分的に克服できる。
しかし、正則化を加えることで、優先すべき物理解の集合に対する可能な解の数を大幅に制限する。
これを回避するために,正規化を伴わない2段階損失関数を用いる。
さらに, 逆解を保証するためには, 十分な数の計測値を持つ注意深く選択した計測取得システムが必要である。
そこで本研究では,DNNに基づく計測取得システムの設計のための反復アルゴリズムを提案する。
いくつかの合成例を通してDNNに基づく反復アルゴリズムについて述べる。
以上の結果から, 測定装置上および下方における抵抗層と導電層の両方を同定し, 特徴付けるのに十分であることがわかった。
数値的な結果は有望であるが, 産業目的のためにはさらなる改良が必要である。
関連論文リスト
- Robust shallow shadows [0.251657752676152]
浅層計測回路の幅広いクラスを対象としたロバストなシャドウ推定プロトコルを提案する。
テンソルネットワークツールを用いて実験データから直接推定する方法を示す。
提案手法は,現在および近時雑音量子デバイスの実用的制約の下で,大域回転による影推定の可能性の最大化を実現する。
論文 参考訳（メタデータ） (2024-05-09T18:00:09Z) - Data assimilation and parameter identification for water waves using the
nonlinear Schr\"{o}dinger equation and physics-informed neural networks [0.3495246564946556]
波高計などのその場観測装置を用いた深海重力波の上昇の測定は、典型的にはスパースデータを出力する。
この分散性は、設置の労力と高い運用コストのために、限られた数のゲージが配置されたことから生じる。
本稿では、物理インフォームドニューラルネットワーク(PINN)を用いて、物理的に一貫した波動場を再構成する手法を提案する。
論文 参考訳（メタデータ） (2024-01-08T07:35:48Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Robust Regression with Highly Corrupted Data via Physics Informed Neural
Networks [4.642273921499256]
物理インフォームドニューラルネットワーク(PINN)は、2つの主要な問題のクラスを解決するために提案されている。
本研究では,ノイズおよび劣化測定データから支配方程式を復元するアルゴリズムの一般化性,精度,効率性を示す。
論文 参考訳（メタデータ） (2022-10-19T15:21:05Z) - 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) - Physics-Informed Neural Network Method for Parabolic Differential
Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。
ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。
本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
論文 参考訳（メタデータ） (2022-08-18T05:00:24Z) - Bayesian Deep Learning for Partial Differential Equation Parameter
Discovery with Sparse and Noisy Data [0.0]
本研究では,ベイジアンニューラルネットワーク(BNN)を用いて,測定データからシステム全体の状態を復元する手法を提案する。
過度に適合することなく、様々な複雑さの物理学を正確に捉えることができることを示す。
我々は、物理学や非線形力学に適用されたいくつかの例について、我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-08-05T19:43:15Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - 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) - Activation Relaxation: A Local Dynamical Approximation to
Backpropagation in the Brain [62.997667081978825]
活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。
我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
論文 参考訳（メタデータ） (2020-09-11T11:56:34Z) - AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。
我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
論文 参考訳（メタデータ） (2020-07-14T09:07:29Z)
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。