論文の概要: Similarity learning for wells based on logging data
- arxiv url: http://arxiv.org/abs/2202.05583v1
- Date: Fri, 11 Feb 2022 12:47:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 00:31:25.650583
- Title: Similarity learning for wells based on logging data
- Title（参考訳）: ログデータに基づく井戸の類似性学習
- Authors: Evgenia Romanenkova, Alina Rogulina, Anuar Shakirov, Nikolay Stulov,
Alexey Zaytsev, Leyla Ismailova, Dmitry Kovalev, Klemens Katterbauer,
Abdallah AlShehri
- Abstract要約: 本稿では,深層学習モデルに基づく地質プロファイルの類似度推定手法を提案する。
我々の類似性モデルは、データを入力としてよく記録し、出力としてウェルの類似性を提供します。
モデルテストでは、ニュージーランドとノルウェーを起源とする2つのオープンデータセットを使用しました。
- 参考スコア（独自算出の注目度）: 8.265576412171702
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: One of the first steps during the investigation of geological objects is the
interwell correlation. It provides information on the structure of the objects
under study, as it comprises the framework for constructing geological models
and assessing hydrocarbon reserves. Today, the detailed interwell correlation
relies on manual analysis of well-logging data. Thus, it is time-consuming and
of a subjective nature. The essence of the interwell correlation constitutes an
assessment of the similarities between geological profiles. There were many
attempts to automate the process of interwell correlation by means of
rule-based approaches, classic machine learning approaches, and deep learning
approaches in the past. However, most approaches are of limited usage and
inherent subjectivity of experts. We propose a novel framework to solve the
geological profile similarity estimation based on a deep learning model. Our
similarity model takes well-logging data as input and provides the similarity
of wells as output. The developed framework enables (1) extracting patterns and
essential characteristics of geological profiles within the wells and (2) model
training following the unsupervised paradigm without the need for manual
analysis and interpretation of well-logging data. For model testing, we used
two open datasets originating in New Zealand and Norway. Our data-based
similarity models provide high performance: the accuracy of our model is
$0.926$ compared to $0.787$ for baselines based on the popular gradient
boosting approach. With them, an oil\&gas practitioner can improve interwell
correlation quality and reduce operation time.
- Abstract（参考訳）: 地質調査における最初のステップの1つは、インターウェル相関である。
地質モデルの構築と炭化水素の埋蔵量評価のための枠組みを含むため、研究中の物体の構造に関する情報を提供する。
今日、詳細なインターウェル相関は、詳細なログデータの手動分析に依存している。
したがって、時間がかかり、主観的な性質を持つ。
インターウェル相関の本質は地質学的プロファイル間の類似性の評価である。
ルールベースのアプローチ、古典的な機械学習アプローチ、そして過去のディープラーニングアプローチによって、インターウェル相関のプロセスを自動化する多くの試みがあった。
しかし、ほとんどのアプローチは専門家の限られた使用法と固有の主観性である。
本研究では,深層学習モデルに基づく地質プロファイル類似度推定手法を提案する。
我々の類似性モデルは、データを入力としてよく記録し、出力として井戸の類似性を提供する。
本研究の枠組みは,(1)井戸内の地質プロファイルのパターンや重要な特徴を抽出し,(2)手動による解析・解釈を必要とせず,教師なしパラダイムによるモデルトレーニングを可能にする。
モデルテストでは、ニュージーランドとノルウェーを起源とする2つのオープンデータセットを使用しました。
データに基づく類似性モデルは高い性能を提供する:我々のモデルの精度は0.926ドルであるのに対し、一般的な勾配向上アプローチに基づくベースラインは0.787ドルである。
これにより、オイルアンドガスの実践者は、インターウェル相関品質を改善し、運転時間を短縮することができる。
関連論文リスト
- Surrogate Model for Geological CO2 Storage and Its Use in Hierarchical
MCMC History Matching [0.0]
我々は、最近導入されたR-U-Netサロゲートモデルを拡張し、幅広い地質シナリオから引き出されたジオモデルの実現を取り扱う。
本研究では, 人工真理モデルにおける観測井の観測データを用いて, 地質的不確実性を大幅に低減することを示した。
論文 参考訳（メタデータ） (2023-08-11T18:29:28Z) - Comparing Foundation Models using Data Kernels [13.099029073152257]
基礎モデルの埋め込み空間幾何学を直接比較するための方法論を提案する。
提案手法はランダムグラフ理論に基づいており, 埋め込み類似性の有効な仮説検証を可能にする。
本稿では, 距離関数を付加したモデルの多様体が, 下流の指標と強く相関することを示す。
論文 参考訳（メタデータ） (2023-05-09T02:01:07Z) - Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue
Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。
因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文 参考訳（メタデータ） (2023-03-02T06:33:48Z) - Are Neural Topic Models Broken? [81.15470302729638]
トピックモデルの自動評価と人的評価の関係について検討する。
ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
論文 参考訳（メタデータ） (2022-10-28T14:38:50Z) - A Correlation-Ratio Transfer Learning and Variational Stein's Paradox [7.652701739127332]
本稿では,モデル間の正確な関係を構築するために,線形相関比という新たな戦略を提案する。
実用面では、新しいフレームワークはいくつかのアプリケーションシナリオ、特にデータストリームと医学研究の分野に適用されます。
論文 参考訳（メタデータ） (2022-06-10T01:59:16Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - A Topological-Framework to Improve Analysis of Machine Learning Model
Performance [5.3893373617126565]
本稿では、データセットをモデルが動作する「空間」として扱う機械学習モデルを評価するためのフレームワークを提案する。
本稿では,各サブポピュレーション間でのモデル性能の保存と解析に有用なトポロジカルデータ構造であるプレシーブについて述べる。
論文 参考訳（メタデータ） (2021-07-09T23:11:13Z) - Integrating Semantics and Neighborhood Information with Graph-Driven
Generative Models for Document Retrieval [51.823187647843945]
本稿では,周辺情報をグラフ誘導ガウス分布でエンコードし,その2種類の情報をグラフ駆動生成モデルと統合することを提案する。
この近似の下では、トレーニング対象がシングルトンまたはペアワイズ文書のみを含む用語に分解可能であることを証明し、モデルが非関連文書と同じくらい効率的にトレーニングできることを示す。
論文 参考訳（メタデータ） (2021-05-27T11:29:03Z) - Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。
提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。
分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
論文 参考訳（メタデータ） (2020-11-13T10:53:27Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z)
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。