論文の概要: Towards Better Shale Gas Production Forecasting Using Transfer Learning

• arxiv url: http://arxiv.org/abs/2106.11051v1
• Date: Mon, 21 Jun 2021 12:37:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 15:22:02.539413
• Title: Towards Better Shale Gas Production Forecasting Using Transfer Learning
• Title（参考訳）: 転炉学習によるシェールガス生産予測の改善に向けて
• Authors: Omar S. Alolayan, Samuel J. Raymond, Justin B. Montgomery and John R. Williams
• Abstract要約: この論文は、テキサス・バーネットとペンシルバニア・マーセルス・シェール・フォーメーションから17郡にまたがる6000以上のシェールガス井戸のデータを使って、トランスファーラーニングの能力をテストする。 その結果,Arps減少曲線モデルと比較すると,予測誤差は11%から47%に減少した。
• 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: Deep neural networks can generate more accurate shale gas production forecasts in counties with a limited number of sample wells by utilizing transfer learning. This paper provides a way of transferring the knowledge gained from other deep neural network models trained on adjacent counties into the county of interest. The paper uses data from more than 6000 shale gas wells across 17 counties from Texas Barnett and Pennsylvania Marcellus shale formations to test the capabilities of transfer learning. The results reduce the forecasting error between 11% and 47% compared to the widely used Arps decline curve model.
• Abstract（参考訳）: ディープニューラルネットワークは、転送学習を利用することで、限られたサンプル井戸数を持つ郡でより正確なシェールガス生産予測を生成することができる。 本稿では、隣接する郡で訓練された他のディープニューラルネットワークモデルから得られた知識を、関心のある郡に転送する方法を提供する。 この論文は、テキサス・バーネットとペンシルバニア・マーセルス・シェール・フォーメーションから17郡にまたがる6000以上のシェールガス井戸のデータを使って、トランスファーラーニングの能力をテストする。 その結果,Arps減少曲線モデルと比較すると,予測誤差は11%から47%に減少した。

関連論文リスト

• KAKURENBO: Adaptively Hiding Samples in Deep Neural Network Training [2.8804804517897935]
  深層ニューラルネットワークのトレーニングにおいて,最も重要でないサンプルを隠蔽する手法を提案する。 我々は,学習プロセス全体への貢献に基づいて,与えられたエポックを除外するサンプルを適応的に見つける。 本手法は, ベースラインと比較して, 最大22%の精度でトレーニング時間を短縮できる。
  論文  参考訳（メタデータ） (2023-10-16T06:19:29Z)
• Neural Priming for Sample-Efficient Adaptation [92.14357804106787]
  ニューラルプライミング(Neural Priming)は、大規模な事前学習されたモデルを分散シフトや下流タスクに適応させる手法である。 ニューラルプライミングは、LAION-2Bほどの大きさの事前訓練であっても、テスト時に行うことができる。
  論文  参考訳（メタデータ） (2023-06-16T21:53:16Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• Effects of spatiotemporal correlations in wind data on neural network-based wind predictions [0.0]
  本研究では,風速予測ニューラルネットワークの性能に及ぼす時空間風の影響について検討した。 CNNモデルの相関関係と性能について,韓国,米国,英国の3つの地域で検討した。 その結果, 自己相関係数が小さい領域の方がCNNの方が好適であることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T05:44:12Z)
• Exploration of Various Deep Learning Models for Increased Accuracy in Automatic Polyp Detection [62.997667081978825]
  本稿では,大腸内視鏡画像におけるポリプの検出精度が高いディープラーニングモデルとアルゴリズムについて検討する。 畳み込みニューラルネットワーク(CNN)を用いたディープラーニングの研究
  論文  参考訳（メタデータ） (2022-03-04T04:03:41Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Transfer Learning Approaches for Knowledge Discovery in Grid-based Geo-Spatiotemporal Data [1.2693545159861856]
  時空間的特徴の抽出と解析は,洪水などの自然現象の根本原因を認識する上で重要である。 本稿では,知識をある地域から別の地域へ伝達するこの問題に対処するために,効果的に再利用可能な事前学習モデルであるHydroDeepを提案する。
  論文  参考訳（メタデータ） (2021-10-02T16:55:34Z)
• Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
  オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。 出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
  論文  参考訳（メタデータ） (2021-08-26T14:01:04Z)
• Feature Alignment for Approximated Reversibility in Neural Networks [0.0]
  本稿では,ニューラルネットワークにおける近似可逆性を得る手法である特徴アライメントを導入する。 ニューラルネットワークをローカルにトレーニングし、計算メモリリソースを節約するために、このテクニックを修正できることが示される。
  論文  参考訳（メタデータ） (2021-06-23T17:42:47Z)
• Complete parameter inference for GW150914 using deep learning [0.0]
  LIGOとVirgoの重力波観測所は過去5年間に多くのエキサイティングな出来事を観測してきた。 検出速度は検出器感度とともに増加するため、データ解析において計算上の課題が増大する。 本研究では,重力波に対する高速確率自由ベイズ推定にディープラーニング手法を適用した。
  論文  参考訳（メタデータ） (2020-08-07T18:00:02Z)

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。