論文の概要: AI for Porosity and Permeability Prediction from Geologic Core X-Ray Micro-Tomography

• arxiv url: http://arxiv.org/abs/2205.13189v1
• Date: Thu, 26 May 2022 06:55:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 12:37:42.716226
• Title: AI for Porosity and Permeability Prediction from Geologic Core X-Ray Micro-Tomography
• Title（参考訳）: 地質コアX線マイクロトモグラフィーによるポーシティと透過性予測のためのAI
• Authors: Zangir Iklassov, Dmitrii Medvedev, Otabek Nazarov
• Abstract要約: 岩盤の物理的特性を予測するために,非常に小さなCNN変換器モデルを用いた自己教師付き事前学習を提案する。 この手法は, 極端に小さなデータセットであっても過度に適合しないことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Geologic cores are rock samples that are extracted from deep under the ground during the well drilling process. They are used for petroleum reservoirs' performance characterization. Traditionally, physical studies of cores are carried out by the means of manual time-consuming experiments. With the development of deep learning, scientists actively started working on developing machine-learning-based approaches to identify physical properties without any manual experiments. Several previous works used machine learning to determine the porosity and permeability of the rocks, but either method was inaccurate or computationally expensive. We are proposing to use self-supervised pretraining of the very small CNN-transformer-based model to predict the physical properties of the rocks with high accuracy in a time-efficient manner. We show that this technique prevents overfitting even for extremely small datasets.
• Abstract（参考訳）: 地質コア(Geological core)は、掘削過程で地下深くから抽出された岩石サンプルである。 石油貯留層の性能評価に用いられる。 伝統的に、コアの物理的研究は手動の時間消費実験によって行われる。 ディープラーニングの開発により、科学者は手作業による実験なしに物理的性質を識別するための機械学習ベースの手法の開発に積極的に取り組み始めた。 過去のいくつかの著作では、岩石の気孔性や透水性を機械学習で測定していたが、どちらの方法も不正確か計算コストが高かった。 我々は,超小型cnnトランスフォーマーモデルによる自己教師付き事前学習を用いて,岩石の物性を時間効率良く高精度に予測することを提案する。 この手法は,非常に小さなデータセットでも過剰に適合しないことを示す。

関連論文リスト

• Direct mineral content prediction from drill core images via transfer learning [0.0]
  深層探査は、鉱業、石油、ガス産業、化学廃棄物や核廃棄物の処理のための地質単位の評価において重要である。 本研究では,機械学習,特に畳み込みニューラルネットワーク(CNN)を活用して,ドリルコア画像の解析のみからリソロジーとミネラル含量を評価する可能性について検討する。 その結果、ドリルコアセグメントを異なる形成クラスに分類する際、96.7%の精度が明らかとなった。
  論文  参考訳（メタデータ） (2024-03-27T12:15:22Z)
• Nature-Inspired Local Propagation [68.63385571967267]
  自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。 ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。 これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
  論文  参考訳（メタデータ） (2024-02-04T21:43:37Z)
• Direct Estimation of Porosity from Seismic Data using Rock and Wave Physics Informed Neural Networks (RW-PINN) [2.741266294612776]
  本稿では,岩盤・波動物理情報ニューラルネットワーク(RW-PINN)モデルを提案する。 例えば,未セメント砂岩の物理モデルと通常の入射波物理を用いて,RW-PINNの学習を指導する。 本稿では,自己教師型あるいは弱教師型ニューラルネットワークを用いて,地震データの石油物理インバージョンを実行するための完全なワークフローを実証する。
  論文  参考訳（メタデータ） (2022-09-30T18:53:15Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
  本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
  論文  参考訳（メタデータ） (2021-12-19T15:17:20Z)
• MiNet: A Convolutional Neural Network for Identifying and Categorising Minerals [0.0]
  7種類の鉱物を識別・分類する単一ラベル画像分類モデルを開発した。 実世界のデータセットを用いて行った実験は、このモデルが90.75%の精度を達成したことを示している。
  論文  参考訳（メタデータ） (2021-11-22T15:00:28Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• Automatic identification of fossils and abiotic grains during carbonate microfacies analysis using deep convolutional neural networks [1.520387509697271]
  堆積物環境の解釈や古生態学的復元には, 薄片の微細構造同定に基づく岩石学的解析が広く用いられている。 骨格の断片の形態学的および微細構造的多様性を識別するには、微生物の化石形態の広範な事前知識が必要である。
  論文  参考訳（メタデータ） (2020-09-24T00:58:48Z)
• Real-Time Well Log Prediction From Drilling Data Using Deep Learning [2.064612766965483]
  距離に基づくグローバル感性分析を用いたデータ拡張と特徴工学のためのワークフローを提案する。 Inception-based Convolutional Neural Network with a Temporal Convolutional Network as the Deep Learning model。 北海のVolveフィールドのEquinorデータセットから12の井戸が学習に使用されている。
  論文  参考訳（メタデータ） (2020-01-28T03:57:31Z)

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。