Fugu-MT 論文翻訳(概要): Capacitance Resistance Model and Recurrent Neural Network for Well Connectivity Estimation : A Comparison Study

論文の概要: Capacitance Resistance Model and Recurrent Neural Network for Well Connectivity Estimation : A Comparison Study

arxiv url: http://arxiv.org/abs/2109.08779v1
Date: Fri, 17 Sep 2021 22:47:50 GMT
ステータス: 処理完了
システム内更新日: 2021-09-23 13:03:48.535708
Title: Capacitance Resistance Model and Recurrent Neural Network for Well Connectivity Estimation : A Comparison Study
Title（参考訳）: 信頼度推定のための容量抵抗モデルとリカレントニューラルネットワーク : 比較検討
Authors: Deepthi Sen
Abstract要約: 水底環境下での良好な生産を予測するための2つのデータ駆動モデルの比較を行った。このレポートは、関連するGitHubリポジトリから入手可能なCRMモデルのpythonベースの実装の技術的ガイドとして機能する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this report, two commonly used data-driven models for predicting well production under a waterflood setting: the capacitance resistance model (CRM) and recurrent neural networks (RNN) are compared. Both models are completely data-driven and are intended to learn the reservoir behavior during a water flood from historical data. This report serves as a technical guide to the python-based implementation of the CRM model available from the associated GitHub repository.
Abstract（参考訳）: 本報告では,水浸し状態下での良好な生産を予測するためのデータ駆動モデルとして,容量抵抗モデル(crm)とリカレントニューラルネットワーク(rnn)を比較した。どちらのモデルも完全にデータ駆動であり、歴史的データから洪水時の貯水池の挙動を学ぶことを意図している。このレポートは、関連するGitHubリポジトリから入手可能なCRMモデルのpythonベースの実装の技術的ガイドとなる。

関連論文リスト

Toward Routing River Water in Land Surface Models with Recurrent Neural Networks [0.0]
陸面モデル(LSM)における河川ルーティングのためのリカレントニューラルネットワーク(RNN)の性能について検討する。観測された降水の代わりに、LSM-RNNは物理モデルから計算された瞬時流出を入力として使用する。我々は、地球にまたがる河川流域のデータを用いてモデルを訓練し、過去の流れの測定を用いて検証する。
論文参考訳（メタデータ） (2024-04-22T14:21:37Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Deep Learning-Based Cyber-Attack Detection Model for Smart Grids [6.642400003243118]
監視制御とデータ取得(SCADA)により、受信した負荷データに対するデータ完全性サイバー攻撃(DIA)を防止するために、人工知能に基づく新しいサイバー攻撃検出モデルを開発した。提案モデルでは、まず回帰モデルを用いて負荷データを予測し、処理後、教師なし学習法を用いて処理データをクラスタ化する。提案したEE-BiLSTM法は,他の2つの手法と比較して,より堅牢かつ高精度に動作可能である。
論文参考訳（メタデータ） (2023-12-14T10:54:04Z)
Telematics Combined Actuarial Neural Networks for Cross-Sectional and Longitudinal Claim Count Data [0.0]
本稿では,Mario W"uthrich と Michael Merz が提案した,CANN (Combined Actuarial Network) フレームワークに基づく自動車保険の断面的および縦断的請求数モデルを提案する。
論文参考訳（メタデータ） (2023-08-03T12:40:44Z)
DeepVARwT: Deep Learning for a VAR Model with Trend [1.9862987223379664]
本稿では,トレンドと依存構造を最大限に推定するために,ディープラーニング手法を用いた新しい手法を提案する。この目的のためにLong Short-Term Memory (LSTM) ネットワークが使用される。シミュレーション研究と実データへの適用について述べる。
論文参考訳（メタデータ） (2022-09-21T18:23:03Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文参考訳（メタデータ） (2021-06-04T18:03:31Z)
Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文参考訳（メタデータ） (2020-12-17T15:19:29Z)
High Temporal Resolution Rainfall Runoff Modelling Using Long-Short-Term-Memory (LSTM) Networks [0.03694429692322631]
このモデルは、大洪水で知られたテキサス州ヒューストンの流域で試験された。 LSTMネットワークは、ネットワークの入力と出力の間の長期的依存関係を学習する能力により、RRを高解像度でモデル化することができた。
論文参考訳（メタデータ） (2020-02-07T00:38:03Z)
Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
論文参考訳（メタデータ） (2020-01-20T15:15:07Z)

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。