論文の概要: A convolutional neural network for prestack fracture detection
- arxiv url: http://arxiv.org/abs/2107.01466v1
- Date: Sat, 3 Jul 2021 17:05:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-06 15:10:39.408690
- Title: A convolutional neural network for prestack fracture detection
- Title(参考訳): プレスタック破壊検出のための畳み込みニューラルネットワーク
- Authors: Zhenyu Yuan, Yuxin Jiang, Jingjing Li, Handong Huang
- Abstract要約: フラクチャー検出は貯水池のキャラクタリゼーションの基本的な課題である。
本稿では, プリスタック破壊検出を行う畳み込みニューラルネットワークを設計した。
実用的調査の応用は,提案したCNNモデルの有効性を検証した。
- 参考スコア(独自算出の注目度): 10.257307653269455
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fractures are widely developed in hydrocarbon reservoirs and constitute the
accumulation spaces and transport channels of oil and gas. Fracture detection
is a fundamental task for reservoir characterization. From prestack seismic
gathers, anisotropic analysis and inversion were commonly applied to
characterize the dominant orientations and relative intensities of fractures.
However, the existing methods were mostly based on the vertical aligned facture
hypothesis, it is impossible for them to recognize fracture dip. Furthermore,
it is difficult or impractical for existing methods to attain the real fracture
densities. Based on data-driven deep learning, this paper designed a
convolutional neural network to perform prestack fracture detection.
Capitalizing on the connections between seismic responses and fracture
parameters, a suitable azimuth dataset was firstly generated through fracture
effective medium modeling and anisotropic plane wave analyzing. Then a
multi-input and multi-output convolutional neural network was constructed to
simultaneously detect fracture density, dip and strike azimuth. The application
on a practical survey validated the effectiveness of the proposed CNN model.
- Abstract(参考訳): フラクチャーは炭化水素貯水池で広く発達し、石油とガスの蓄積空間と輸送路を構成する。
フラクチャー検出は貯留層キャラクタリゼーションの基本的な課題である。
地震前の群集から, フラクチャーの優占方向と相対強度を特徴付けるために, 異方性解析と逆転が一般的であった。
しかし,既存の手法は,主に垂直方向の事実仮説に基づいており,断裂の程度を認識することは不可能である。
さらに, 実際の破壊密度を達成する方法の確立は困難あるいは現実的ではない。
本稿では,データ駆動型深層学習に基づく畳み込みニューラルネットワークの設計を行った。
地震応答と破壊パラメータの関連性を活かし, 断裂有効媒質モデルと異方性平面波解析により, まず適切な方位データセットを作成した。
次に,複数の入力と複数出力の畳み込みニューラルネットワークを構築し,破壊密度,変位,衝突方位を同時に検出した。
実用的調査の応用は,提案したCNNモデルの有効性を検証した。
関連論文リスト
- Robust Anomaly Detection via Tensor Chidori Pseudoskeleton Decomposition [0.0]
現代のデータ駆動アプリケーションでは、異常検出が重要な役割を果たす。
距離、密度、クラスタベースの手法といった従来のアプローチは、高次元テンソルデータに適用する際の課題に直面している。
本稿では, 千鳥擬似骨格分解を利用して, スパース異常を分離しながら低いタッカーランク構造を抽出する。
論文 参考訳(メタデータ) (2025-02-14T05:34:57Z) - Predicting Crack Nucleation and Propagation in Brittle Materials Using Deep Operator Networks with Diverse Trunk Architectures [1.5728609542259502]
我々は分岐ネットワークとトランクネットワークからなるディープニューラル演算子(DeepONet)を用いて脆性破壊問題を解決する。
最初のアプローチでは,2段階のDeepONetの有効性を示す。
第2のアプローチでは、物理インフォームドされたDeepONetを用いて、エネルギーの数学的表現をトランクネットワークの損失に統合し、物理的一貫性を強制する。
第3のアプローチでは、トランク内のニューラルネットワークをコルモゴロフ・アルノルドネットワークに置き換え、物理損失なしにトレーニングする。
論文 参考訳(メタデータ) (2024-12-15T02:50:30Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳(メタデータ) (2024-07-26T10:29:16Z) - A spatiotemporal deep learning framework for prediction of crack dynamics in heterogeneous solids: efficient mapping of concrete microstructures to its fracture properties [0.0]
深層学習フレームワークは, コンクリートメソ構造中のフラクチャーの2次元フルフィールド予測を行うことができる。
メソ構造の平均応力-ひずみ曲線を予測できる畳み込みニューラルネットワークを開発した。
UNetモデリングフレームワークは、スキップ接続を持つエンコーダ-デコーダセクションで構成され、ディープラーニングサロゲートモデルとして使用される。
論文 参考訳(メタデータ) (2024-07-22T14:28:46Z) - Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral
Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。
フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。
重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文 参考訳(メタデータ) (2023-03-21T17:16:01Z) - Neural Importance Sampling for Rapid and Reliable Gravitational-Wave
Inference [59.040209568168436]
まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。
本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。
LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
論文 参考訳(メタデータ) (2022-10-11T18:00:02Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - Simulating progressive intramural damage leading to aortic dissection
using an operator-regression neural network [0.2955543753858105]
We developed a data-driven surrogate model for the delamination process for differential strut distributions using DeepONet。
その結果,DeepONetは様々なストラット分布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) (2021-08-25T03:49:19Z) - WaveTransform: Crafting Adversarial Examples via Input Decomposition [69.01794414018603]
本稿では,低周波サブバンドと高周波サブバンドに対応する逆雑音を生成するWaveTransformを紹介する。
実験により,提案攻撃は防衛アルゴリズムに対して有効であり,CNN間での転送も可能であることが示された。
論文 参考訳(メタデータ) (2020-10-29T17:16:59Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Ensemble of Deep Convolutional Neural Networks for Automatic Pavement
Crack Detection and Measurement [9.34360241512198]
小さな亀裂の構造を特定するために、畳み込みニューラルネットワークのアンサンブルが使用された。
き裂測定には, 亀裂の種類によって, ひび割れの長さと幅を測定できる。
論文 参考訳(メタデータ) (2020-02-08T22:15:11Z)
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。