論文の概要: Direct Estimation of Porosity from Seismic Data using Rock and Wave
Physics Informed Neural Networks (RW-PINN)
- arxiv url: http://arxiv.org/abs/2210.00042v1
- Date: Fri, 30 Sep 2022 18:53:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 17:11:11.695351
- Title: Direct Estimation of Porosity from Seismic Data using Rock and Wave
Physics Informed Neural Networks (RW-PINN)
- Title(参考訳): 岩盤・波動物理学インフォームドニューラルネットワーク(rw-pinn)による地震データからの気孔率の直接推定
- Authors: Divakar Vashisth and Tapan Mukerji
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.741266294612776
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Petrophysical inversion is an important aspect of reservoir modeling. However
due to the lack of a unique and straightforward relationship between seismic
traces and rock properties, predicting petrophysical properties directly from
seismic data is a complex task. Many studies have attempted to identify the
direct end-to-end link using supervised machine learning techniques, but face
different challenges such as a lack of large petrophysical training dataset or
estimates that may not conform with physics or depositional history of the
rocks. We present a rock and wave physics informed neural network (RW-PINN)
model that can estimate porosity directly from seismic image traces with no or
limited number of wells, with predictions that are consistent with rock physics
and geologic knowledge of deposition. As an example, we use the uncemented sand
rock physics model and normal-incidence wave physics to guide the learning of
RW-PINN to eventually get good estimates of porosities from normal-incidence
seismic traces and limited well data. Training RW-PINN with few wells (weakly
supervised) helps in tackling the problem of non-uniqueness as different
porosity logs can give similar seismic traces. We use weighted normalized root
mean square error loss function to train the weakly supervised network and
demonstrate the impact of different weights on porosity predictions. The
RW-PINN estimated porosities and seismic traces are compared to predictions
from a completely supervised model, which gives slightly better porosity
estimates but poorly matches the seismic traces, in addition to requiring a
large amount of labeled training data. In this paper, we demonstrate the
complete workflow for executing petrophysical inversion of seismic data using
self-supervised or weakly supervised rock physics informed neural networks.
- Abstract(参考訳): 石油物理インバージョンは貯水池モデリングの重要な側面である。
しかし、地震の痕跡と岩石の性質の間には、ユニークで直接的な関係がないため、地震データから直接岩石学的性質を予測することは複雑な作業である。
多くの研究は、教師付き機械学習技術を用いてエンドツーエンドの直接リンクを特定することを試みたが、大規模な岩石物理トレーニングデータセットの欠如や、岩石の物理や堆積履歴に適合しない可能性のある推定といったさまざまな課題に直面している。
岩盤物理や堆積の地質学的知識と整合した予測を行い,地震画像からポーシティを直接推定できる岩盤・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,不連続砂岩の物理モデルと通常の入射波物理を用いて,RW-PINNの学習を導くことで,通常の入射地震跡と限られた井戸データからポロシティの優れた推定値を得る。
井戸の少ないrwピン(weakly supervised)での訓練は、異なるポロシティログが同じような地震の痕跡を与える可能性があるため、非特異性の問題に取り組むのに役立つ。
重み付き正規化根平均二乗損失関数を用いて弱教師付きネットワークを訓練し,多孔性予測に対する重みの影響を示す。
RW-PINNの推定ポロシティと地震の痕跡は、完全に監督されたモデルによる予測と比較される。
本稿では,自監督あるいは弱教師付き岩石物理情報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。
関連論文リスト
- Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-14T23:53:25Z) - FaultSeg Swin-UNETR: Transformer-Based Self-Supervised Pretraining Model
for Fault Recognition [13.339333273943842]
本稿では,自己教師付き事前学習による地震断層認識の高度化手法を提案する。
我々は,Swin Transformerモデルをコアネットワークとして採用し,SimMIMプレトレーニングタスクを用いて,地震データにおける不連続性に関連する特徴を抽出した。
実験の結果,提案手法は,OISおよびODS測定値から,Thebeデータセット上での最先端性能を実現することができた。
論文 参考訳(メタデータ) (2023-10-27T08:38:59Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳(メタデータ) (2023-01-06T05:01:05Z) - Mining Causality from Continuous-time Dynamics Models: An Application to
Tsunami Forecasting [22.434845478979604]
本研究では,連続時間モデルから因果構造を抽出する機構を提案する。
我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。
本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
論文 参考訳(メタデータ) (2022-10-10T18:53:13Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳(メタデータ) (2022-07-21T12:11:18Z) - 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) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳(メタデータ) (2022-05-31T22:28:34Z) - Privacy-preserving machine learning with tensor networks [50.591267188664666]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。
まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。
このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文 参考訳(メタデータ) (2022-02-24T19:04:35Z) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳(メタデータ) (2021-02-23T20:59:30Z) - 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。