論文の概要: Photoelectric Factor Prediction Using Automated Learning and Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2206.08950v1
• Date: Fri, 17 Jun 2022 18:03:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 20:03:12.426129
• Title: Photoelectric Factor Prediction Using Automated Learning and Uncertainty Quantification
• Title（参考訳）: 自動学習と不確実性定量化を用いた光電率予測
• Authors: Khalid L. Alsamadony, Ahmed Farid Ibrahim, Salaheldin Elkatatny, Abdulazeez Abdulraheem
• Abstract要約: 光電率(PEF)は、異なる種類の貯水池岩を識別するための重要な井戸検層ツールである。 岩石鉱物の比は、PEFログと他の井戸ログを組み合わせることで決定できる。 しかし、古い井戸の丸太やバリウムベースの泥で掘削された井戸など、一部のケースではPEFログが欠落する可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The photoelectric factor (PEF) is an important well logging tool to distinguish between different types of reservoir rocks because PEF measurement is sensitive to elements with high atomic number. Furthermore, the ratio of rock minerals could be determined by combining PEF log with other well logs. However, PEF log could be missing in some cases such as in old well logs and wells drilled with barite-based mud. Therefore, developing models for estimating missing PEF log is essential in those circumstances. In this work, we developed various machine learning models to predict PEF values using the following well logs as inputs: bulk density (RHOB), neutron porosity (NPHI), gamma ray (GR), compressional and shear velocity. The predictions of PEF values using adaptive-network-fuzzy inference system (ANFIS) and artificial neural network (ANN) models have errors of about 16% and 14% average absolute percentage error (AAPE) in the testing dataset, respectively. Thus, a different approach was proposed that is based on the concept of automated machine learning. It works by automatically searching for the optimal model type and optimizes its hyperparameters for the dataset under investigation. This approach selected a Gaussian process regression (GPR) model for accurate estimation of PEF values. The developed GPR model decreases the AAPE of the predicted PEF values in the testing dataset to about 10% AAPE. This error could be further decreased to about 2% by modeling the potential noise in the measurements using the GPR model.
• Abstract（参考訳）: 光電率(PEF)は、PEF測定が原子番号の高い元素に敏感であるため、異なる種類の貯水池岩を識別するための重要な井戸検層ツールである。 さらに, PEFログと他のウェルログを組み合わせることで, 岩石鉱物の比を決定することができた。 しかし、例えば古い井戸の丸太やバリットベースの泥で掘られた井戸などでは、pefログが欠落している可能性がある。 したがって,これらの状況下では,PEFログの欠落を推定するためのモデルの開発が不可欠である。 本研究では, バルク密度 (RHOB) , 中性子ポーシティ (NPHI) , ガンマ線 (GR) , 圧縮速度, せん断速度のそれぞれを用いて, PEF の値を予測する機械学習モデルを開発した。 適応ネットワークファジィ推論システム(ANFIS)と人工ニューラルネットワーク(ANN)モデルを用いたPEF値の予測は,それぞれ,テストデータセットにおける平均絶対パーセンテージ誤差(AAPE)の約16%と14%の誤差を有する。 このように、自動化機械学習の概念に基づく別のアプローチが提案された。 最適なモデルタイプを自動的に検索し、調査中のデータセットのハイパーパラメータを最適化する。 このアプローチは、PEF値の正確な推定のためのガウス過程回帰(GPR)モデルを選択する。 開発されたGPRモデルは、テストデータセットにおける予測されたPEF値のAPEを約10%に削減する。 この誤差は、GPRモデルを用いた測定の潜在的なノイズをモデル化することで、約2%に低減できる。

関連論文リスト

• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• Flow Matching for Atmospheric Retrieval of Exoplanets: Where Reliability meets Adaptive Noise Levels [38.84835238599221]
  流れマッチング後推定(FMPE)は大気圏探索のための新しい機械学習手法である。 FMPEは神経後部推定(NPE)の約3倍の速度でトレーニングし、IS効率を高める。 ISは不正確なML結果の修正に成功し、低効率でモデルの失敗を特定し、ベイズ証拠の正確な見積もりを提供する。
  論文  参考訳（メタデータ） (2024-10-28T19:28:07Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• PPG-based Heart Rate Estimation with Efficient Sensor Sampling and Learning Models [6.157700936357335]
  ウェアラブルデバイスに埋め込まれた光胸部センサーは、心拍数(HR)を高精度に推定することができる。 しかしながら, PPGセンサを用いたHR推定を組込みデバイスに適用することは, エネルギー集中型高周波PSGサンプリングによる課題に直面している。 本研究では,低消費電力・資源制約の組込みデバイスに適したHR推定手法を提案する。
  論文  参考訳（メタデータ） (2023-03-23T19:47:36Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Estimating oil and gas recovery factors via machine learning: Database-dependent accuracy and reliability [0.0]
  重要な貯水池特性は炭化水素回収係数(RF)であり、その正確な推定は掘削と生産戦略に決定的な洞察を与える。 本研究の目的は,多孔性,透水性,圧力,飽和水などの種々の貯留層特性から,機械学習(ML)手法を用いて炭化水素のRFを推定することである。
  論文  参考訳（メタデータ） (2022-10-22T16:25:49Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• Integration of neural network and fuzzy logic decision making compared with bilayered neural network in the simulation of daily dew point temperature [0.8808021343665321]
  ドウ点温度(DPT)は、データ駆動方式を用いてシミュレートされる。 アーキテクチャのトレーニングには、様々な入力パターン、すなわち、T min、T max、T が使用される。
  論文  参考訳（メタデータ） (2022-02-23T14:25:13Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
  本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。 この問題には適応モーメント推定アルゴリズムも用いられる。 その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T10:11:45Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)

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。