論文の概要: Seismic Inverse Modeling Method based on Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2106.04197v1
• Date: Tue, 8 Jun 2021 09:14:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 05:05:44.819666
• Title: Seismic Inverse Modeling Method based on Generative Adversarial Network
• Title（参考訳）: 生成逆ネットワークに基づく地震波逆モデリング法
• Authors: Pengfei Xie, YanShu Yin, JiaGen Hou, Mei Chen and Lixin Wang
• Abstract要約: 本稿では, 地質, ウェルログ, 地震データに整合したGANに基づく逆モデリング手法を提案する。 GANは、トレーニング画像の空間構造と抽象的特徴を抽出する最も有望な生成モデルアルゴリズムである。 その結果, インバージョンモデルは観測データに適合し, 高速発生の前提下での不確実性は低いことがわかった。
• 参考スコア（独自算出の注目度）: 20.323205728116545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Seismic inverse modeling is a common method in reservoir prediction and it plays a vital role in the exploration and development of oil and gas. Conventional seismic inversion method is difficult to combine with complicated and abstract knowledge on geological mode and its uncertainty is difficult to be assessed. The paper proposes an inversion modeling method based on GAN consistent with geology, well logs, seismic data. GAN is a the most promising generation model algorithm that extracts spatial structure and abstract features of training images. The trained GAN can reproduce the models with specific mode. In our test, 1000 models were generated in 1 second. Based on the trained GAN after assessment, the optimal result of models can be calculated through Bayesian inversion frame. Results show that inversion models conform to observation data and have a low uncertainty under the premise of fast generation. This seismic inverse modeling method increases the efficiency and quality of inversion iteration. It is worthy of studying and applying in fusion of seismic data and geological knowledge.
• Abstract（参考訳）: 地震逆モデリングは貯留層予測において一般的な手法であり、石油とガスの探査と開発において重要な役割を担っている。 従来の地震インバージョン法と地質構造に関する複雑で抽象的な知識を組み合わせることは困難であり,その不確実性を評価することは困難である。 本稿では, 地質, ウェルログ, 地震データに整合したGANに基づく逆モデリング手法を提案する。 GANは、トレーニング画像の空間構造と抽象的特徴を抽出する最も有望な生成モデルアルゴリズムである。 訓練されたGANは、特定のモードでモデルを再現することができる。 テストでは、1000モデルが1秒で生成されました。 評価後の訓練されたGANに基づいて、ベイズ反転フレームを通してモデルの最適結果を計算することができる。 その結果, インバージョンモデルは観測データに適合し, 高速発生の前提下での不確実性は低いことがわかった。 この地震逆モデリング法は、逆繰り返しの効率と品質を高める。 地震データと地質学の知識を融合させて研究・応用する価値がある。

関連論文リスト

• Machine learning-enabled velocity model building with uncertainty quantification [0.41942958779358674]
  移動速度モデルの正確な特徴付けは、幅広い物理応用に不可欠である。 従来の速度モデル構築法は強力であるが、逆問題の本質的な複雑さに悩まされることが多い。 本稿では,Diffusion Networkの形で生成モデリングと物理インフォームド・サマリ・統計を統合したスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T01:36:48Z)
• Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
  本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。 推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。 我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
  論文  参考訳（メタデータ） (2024-11-02T07:06:53Z)
• Generative Geostatistical Modeling from Incomplete Well and Imaged Seismic Observations with Diffusion Models [0.24578723416255752]
  拡散生成モデルを用いて地下速度モデルを合成する新しい手法を提案する。 本手法は, 完全標本化を必要とせず, 不完全な観測と地震観測を生かし, 高忠実度速度試料を作製する。
  論文  参考訳（メタデータ） (2024-05-16T20:30:43Z)
• Generative Adversarial Models for Extreme Geospatial Downscaling [0.0]
  本稿では,非常に高いスケーリング係数に対応可能な条件付きGANに基づく地理空間ダウンスケーリング手法について述べる。 この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。 1つの決定論的結果ではなく、多量の高分解能サンプルを生成する。
  論文  参考訳（メタデータ） (2024-02-21T18:25:04Z)
• A stable deep adversarial learning approach for geological facies generation [32.97208255533144]
  深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。 本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
  論文  参考訳（メタデータ） (2023-05-12T14:21:14Z)
• Distributed Bayesian Learning of Dynamic States [65.7870637855531]
  提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。 逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
  論文  参考訳（メタデータ） (2022-12-05T19:40:17Z)
• Neural Superstatistics for Bayesian Estimation of Dynamic Cognitive Models [2.7391842773173334]
  我々は,時間変化パラメータと時間不変パラメータの両方を復元できるベイズ推論のシミュレーションに基づくディープラーニング手法を開発した。 この結果から,ディープラーニングアプローチは時間的ダイナミクスを捉える上で極めて効率的であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-23T17:42:53Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。