論文の概要: Machine learning-based porosity estimation from spectral decomposed seismic data

• arxiv url: http://arxiv.org/abs/2111.13581v1
• Date: Tue, 23 Nov 2021 00:03:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 02:32:51.454062
• Title: Machine learning-based porosity estimation from spectral decomposed seismic data
• Title（参考訳）: スペクトル分解地震データを用いた機械学習に基づくポロシティ推定
• Authors: Honggeun Jo, Yongchae Cho, Michael J. Pyrcz, Hewei Tang, Pengcheng Fu
• Abstract要約: 地震データによるポロシティモデルの推定は、信号ノイズと地震データの解像度が不十分なため困難である。 本稿では,地震データをポロシティモデルに変換する機械学習ベースのワークフローを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating porosity models via seismic data is challenging due to the signal noise and insufficient resolution of seismic data. Although impedance inversion is often used by combining with well logs, several hurdles remain to retrieve sub-seismic scale porosity. As an alternative, we propose a machine learning-based workflow to convert seismic data to porosity models. A ResUNet++ based workflow is designed to take three seismic data in different frequencies (i.e., decomposed seismic data) and estimate their corresponding porosity model. The workflow is successfully demonstrated in the 3D channelized reservoir to estimate the porosity model with more than 0.9 in R2 score for training and validating data. Moreover, the application is extended for a stress test by adding signal noise to the seismic data, and the workflow results show a robust estimation even with 5\% of noise. Another two ResUNet++ are trained to take either the lowest or highest resolution seismic data only to estimate the porosity model, but they show under- and over-fitting results, supporting the importance of using decomposed seismic data in porosity estimation.
• Abstract（参考訳）: 地震データによるポロシティモデルの推定は、信号ノイズと地震データの分解能不足のため困難である。 インピーダンスインバージョンは井戸ログと組み合わせて使われることが多いが、サブサイスミックスケールのポロシティの取得にはいくつかのハードルが残っている。 その代替として,地震データをポロシティモデルに変換する機械学習ベースのワークフローを提案する。 resunet++ベースのワークフローは、異なる周波数(すなわち分解された地震データ)で3つの地震データを取得し、対応するポロシティモデルを推定するように設計されている。 このワークフローは3Dチャネル化貯水池で実演され、データのトレーニングと検証のためにR2スコアの0.9以上でポロシティモデルを推定する。 さらに, 地震波データに信号ノイズを付加することにより, 応力試験にも適用でき, ワークフローの結果は, 55%のノイズでもロバストな推定値を示す。 他の2つのresunet++は、ポロシティモデルの推定のためだけに最低または最高解像度の地震データを取るように訓練されているが、不適合な結果を示し、ポロシティ推定に分解された地震データを使うことの重要性を裏付けている。

関連論文リスト

• Machine learned reconstruction of tsunami dynamics from sparse observations [0.0]
  本研究では, 津波波のフルフィールド表面高さ測定を行うために, スパースセンシング応用のためのトランスフォーマーニューラルネットワークを用いた。 我々は,USGSの過去の地震記録に対応する震源となる8つの津波シミュレーションからなるデータセット上でモデルを訓練する。 その結果, センサの少なくともいくつかが非ゼロ信号を得た場合, 真の磁場からの微細な位相と振幅特性の顕著な分解能が得られた。
  論文  参考訳（メタデータ） (2024-11-20T00:42:40Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Improving the Robustness of Summarization Models by Detecting and Removing Input Noise [50.27105057899601]
  本研究では,様々な種類の入力ノイズから,様々なデータセットやモデルサイズに対する性能損失を定量化する大規模な実験的検討を行った。 本稿では,モデル推論中の入力中のそのようなノイズを検出し,除去するための軽量な手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T00:33:11Z)
• Encoder-Decoder Architecture for 3D Seismic Inversion [1.2234742322758418]
  本稿では,地震探査で記録された音の存在下での現実的な3次元モデルの再構築のための深層学習ソリューションを提案する。 我々は,数百のシュートガザキューブの集合全体を効率的に処理する畳み込みエンコーダデコーダアーキテクチャを実装し,解析する。
  論文  参考訳（メタデータ） (2022-07-29T17:14:07Z)
• Learning Similarity Metrics for Volumetric Simulations with Multiscale CNNs [25.253880881581956]
  本研究では,エントロピーに基づく類似性モデルを提案する。 我々は数値PDEソルバと既存のシミュレーションデータリポジトリからフィールドのコレクションを作成する。 ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-02-08T19:19:08Z)
• Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
  我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。 パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
  論文  参考訳（メタデータ） (2022-01-28T12:00:31Z)
• Noise-Resistant Deep Metric Learning with Probabilistic Instance Filtering [59.286567680389766]
  ノイズラベルは現実世界のデータによく見られ、ディープニューラルネットワークの性能劣化を引き起こす。 DMLのための確率的ランク付けに基づくメモリを用いたインスタンス選択(PRISM)手法を提案する。 PRISMはラベルがクリーンである確率を計算し、潜在的にノイズの多いサンプルをフィルタリングする。
  論文  参考訳（メタデータ） (2021-08-03T12:15:25Z)
• NuSPAN: A Proximal Average Network for Nonuniform Sparse Model -- Application to Seismic Reflectivity Inversion [23.080395291046408]
  我々は, 地震データの高分解能回復の観点から, 近位脱畳の問題を解く。 凸と非一様シグナライザの組み合わせを用いる。 結果として生じるスパースネットワークアーキテクチャは、データ駆動方式で取得できる。
  論文  参考訳（メタデータ） (2021-05-01T04:33:02Z)
• From Sound Representation to Model Robustness [82.21746840893658]
  本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:30:49Z)
• Spatiotemporal Modeling of Seismic Images for Acoustic Impedance Estimation [12.653673008542155]
  機械学習に基づくインバージョンは通常、地震データに対してトレース・バイ・トレース方式で動作する。 本研究では,各地震跡を時間的だけでなく空間的にモデル化する深層学習型地震インバージョンワークフローを提案する。
  論文  参考訳（メタデータ） (2020-06-28T00:19:58Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)

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。