論文の概要: Learning 3D Mineral Prospectivity from 3D Geological Models with
Convolutional Neural Networks: Application to a Structure-controlled
Hydrothermal Gold Deposit
- arxiv url: http://arxiv.org/abs/2109.00756v1
- Date: Thu, 2 Sep 2021 07:34:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-03 23:13:26.358494
- Title: Learning 3D Mineral Prospectivity from 3D Geological Models with
Convolutional Neural Networks: Application to a Structure-controlled
Hydrothermal Gold Deposit
- Title（参考訳）: 畳み込みニューラルネットワークを用いた3次元地質モデルからの3次元鉱物探査:構造制御型熱水鉱床への応用
- Authors: Hao Deng, Yang Zheng, Jin Chen, Shuyan Yu, Keyan Xiao, Xiancheng Mao
- Abstract要約: 本稿では、畳み込みニューラルネットワーク(CNN)を利用して、3次元地質モデルから3次元鉱物の分布を学習する新しい手法を提案する。
具体的には、入力を構造化すべきCNNを用いて非構造化の3次元地質モデルを探究するため、2次元CNNフレームワークを開発した。
これにより、予測モデルは鉱石形成過程を近似しながら、CNNを効果的かつ効率的に訓練することができる。
- 参考スコア（独自算出の注目度）: 4.647073295455922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The three-dimensional (3D) geological models are the typical and key data
source in the 3D mineral prospecitivity modeling. Identifying
prospectivity-informative predictor variables from the 3D geological models is
a challenging and tedious task. Motivated by the ability of convolutional
neural networks (CNNs) to learn the intrinsic features, in this paper, we
present a novel method that leverages CNNs to learn 3D mineral prospectivity
from the 3D geological models. By exploiting the learning ability of CNNs, the
presented method allows for disentangling complex correlation to the
mineralization and thus opens a door to circumvent the tedious work for
designing the predictor variables. Specifically, to explore the unstructured 3D
geological models with the CNNs whose input should be structured, we develop a
2D CNN framework in which the geometry of geological boundary is compiled and
reorganized into multi-channel images and fed into the CNN. This ensures an
effective and efficient training of CNNs while allowing the prospective model
to approximate the ore-forming process. The presented method is applied to a
typical structure-controlled hydrothermal deposit, the Dayingezhuang gold
deposit, eastern China, in which the presented method was compared with the
prospectivity modeling methods using hand-designed predictor variables. The
results demonstrate the presented method capacitates a performance boost of the
3D prospectivity modeling and empowers us to decrease work-load and prospecting
risk in prediction of deep-seated orebodies.
- Abstract（参考訳）: 3次元(3次元)地質モデルは、3次元鉱物多種体モデリングの典型的かつ重要なデータ源である。
3次元地質モデルから確率非形式予測変数を同定することは困難で面倒な作業である。
本稿では,畳み込みニューラルネットワーク(cnns)が本質的特徴を学習する能力に動機づけられ,cnnを用いて3次元地質モデルから3次元鉱物探査を学習する新しい手法を提案する。
提案手法は, CNNの学習能力を活用することにより, 鉱物化との複雑な相関関係を解消し, 予測変数設計の面倒な作業を回避するための扉を開く。
具体的には、入力を構造化すべきCNNを用いて非構造的な3次元地質モデルを探究するため、地質境界の幾何学をコンパイルし、マルチチャネル画像に再構成し、CNNに入力する2次元CNNフレームワークを開発する。
これにより、予測モデルは鉱石形成過程を近似しながら、CNNを効果的かつ効率的に訓練することができる。
提案手法は, 代表的な構造制御型熱水鉱床である中国東部のdaingezhuang金鉱床に適用され, 手設計の予測変数を用いた予測モデリング手法と比較された。
その結果, 提案手法は3次元確率モデルの性能向上に寄与し, 作業負荷の低減, 深部生検予測におけるリスクの予測を可能にした。
関連論文リスト
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves
Propagation [0.0]
我々は、SEM3Dという高忠実度シミュレーションコードを用いて、3万の異なる地質が生成する地動の広範なデータベースを構築している。
フーリエ・ニューラル・オペレーターは,基礎となる地質が大きな不均一性を示す場合でも,正確な接地運動を実現できることを示す。
データベースの一般化により,地質学的特徴が地盤運動に与える影響を評価するために,我々のモデルが利用できると信じている。
論文 参考訳（メタデータ） (2023-04-20T12:01:58Z) - Geometric Knowledge Distillation: Topology Compression for Graph Neural
Networks [80.8446673089281]
グラフトポロジ情報をグラフニューラルネットワーク(GNN)に符号化することを目的とした知識伝達の新しいパラダイムについて検討する。
本稿では,GNNのアーキテクチャに関する基礎となる多様体の幾何学的性質をカプセル化するためのニューラルヒートカーネル(NHK)を提案する。
基本的な原理的解法は、NHKを幾何学的知識蒸留(Geometric Knowledge Distillation)と呼ばれる教師モデルと学生モデルに合わせることで導かれる。
論文 参考訳（メタデータ） (2022-10-24T08:01:58Z) - Deep-learning-based upscaling method for geologic models via
theory-guided convolutional neural network [0.0]
油圧電界の粗い格子と油圧ヘッドの関係を近似するために、深部畳み込みニューラルネットワーク(CNN)を訓練する。
物理情報を考慮すると、深部CNNモデルのトレーニングデータ量への依存を大幅に低減することができる。
論文 参考訳（メタデータ） (2021-12-31T08:10:48Z) - Estimating permeability of 3D micro-CT images by physics-informed CNNs
based on DNS [1.6274397329511197]
本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。
透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。
その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
論文 参考訳（メタデータ） (2021-09-04T08:43:19Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳（メタデータ） (2021-08-30T19:45:07Z) - Extracting Global Dynamics of Loss Landscape in Deep Learning Models [0.0]
本稿では,DOODL3 (Dynamical Organization of Deep Learning Loss Landscapes) のためのツールキットを提案する。
DOODL3は、ニューラルネットワークのトレーニングを動的システムとして定式化し、学習プロセスを分析し、損失ランドスケープにおける軌跡の解釈可能なグローバルビューを示す。
論文 参考訳（メタデータ） (2021-06-14T18:07:05Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z) - Self-Learning for Received Signal Strength Map Reconstruction with
Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。
このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。
実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文 参考訳（メタデータ） (2021-05-17T12:19:22Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - 3D CNN-PCA: A Deep-Learning-Based Parameterization for Complex Geomodels [9.467521554542271]
本研究では,複雑な3次元地形モデルのための深層学習に基づく地質パラメータ化アルゴリズムCNN-PCAを開発した。
CNN-PCAは、ジオモデルの低次元主成分分析表現のための後処理として畳み込みニューラルネットワークを使用する。
CNN-PCAはバイモーダルチャネル化システムにおけるESMDAとの履歴マッチングに成功している。
論文 参考訳（メタデータ） (2020-07-16T17:25:14Z)
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。