論文の概要: GeoThermalCloud: Machine Learning for Geothermal Resource Exploration

• arxiv url: http://arxiv.org/abs/2210.08685v1
• Date: Mon, 17 Oct 2022 01:16:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 17:39:51.233352
• Title: GeoThermalCloud: Machine Learning for Geothermal Resource Exploration
• Title（参考訳）: GeoThermalCloud: 地熱資源探査のための機械学習
• Authors: Maruti K. Mudunuru, Velimir V. Vesselinov, Bulbul Ahmmed
• Abstract要約: 本稿では, PFAの適用に向けての新たなMLに基づく地熱探査手法を提案する。 私たちの方法論は、オープンソースのMLフレームワークであるGeoThermalCloudを通じて提供されています。 GeoThermalCloudは、SmartTensors AIプラットフォームで利用可能な、教師なし、教師付き、物理インフォームされたMLメソッドのシリーズを使用している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel ML-based methodology for geothermal exploration towards PFA applications. Our methodology is provided through our open-source ML framework, GeoThermalCloud \url{https://github.com/SmartTensors/GeoThermalCloud.jl}. The GeoThermalCloud uses a series of unsupervised, supervised, and physics-informed ML methods available in SmartTensors AI platform \url{https://github.com/SmartTensors}. Here, the presented analyses are performed using our unsupervised ML algorithm called NMF$k$, which is available in the SmartTensors AI platform. Our ML algorithm facilitates the discovery of new phenomena, hidden patterns, and mechanisms that helps us to make informed decisions. Moreover, the GeoThermalCloud enhances the collected PFA data and discovers signatures representative of geothermal resources. Through GeoThermalCloud, we could identify hidden patterns in the geothermal field data needed to discover blind systems efficiently. Crucial geothermal signatures often overlooked in traditional PFA are extracted using the GeoThermalCloud and analyzed by the subject matter experts to provide ML-enhanced PFA, which is informative for efficient exploration. We applied our ML methodology to various open-source geothermal datasets within the U.S. (some of these are collected by past PFA work). The results provide valuable insights into resource types within those regions. This ML-enhanced workflow makes the GeoThermalCloud attractive for the geothermal community to improve existing datasets and extract valuable information often unnoticed during geothermal exploration.
• Abstract（参考訳）: 本稿では,pfa応用に向けた新しい地熱探査手法を提案する。 我々の方法論は、オープンソースのMLフレームワークGeoThermalCloud \url{https://github.com/SmartTensors/GeoThermalCloud.jl}を通じて提供されます。 GeoThermalCloudは、SmartTensors AIプラットフォーム \url{https://github.com/SmartTensors}で利用可能な、教師なし、教師付き、物理インフォームされたMLメソッドのシリーズを使用している。 ここでは、SmartTensors AIプラットフォームで利用可能なNMF$k$と呼ばれる教師なしMLアルゴリズムを用いて、提示された分析を行う。 我々のMLアルゴリズムは、情報的な決定を下すのに役立つ新しい現象、隠れパターン、メカニズムの発見を容易にする。 さらに、GeoThermalCloudは収集されたPFAデータを強化し、地熱資源を表す署名を発見する。 GeoThermalCloudを通じて、盲点系を効率的に発見するのに必要な地熱地帯データの隠れたパターンを特定できる。 従来のPFAで見落とされがちな地殻地熱のシグネチャはGeoThermalCloudを用いて抽出され、ML強化PFAの提供のために対象物質の専門家によって分析される。 我々はML手法を米国内の様々なオープンソース地熱データセットに適用した(これらの一部は過去のPFAの成果によって収集されている)。 その結果、これらの領域内のリソースタイプに関する貴重な洞察が得られます。 このMLによって強化されたワークフローにより、GeoThermalCloudは地熱地域社会にとって、既存のデータセットを改善し、地熱探査中にしばしば気づかない貴重な情報を抽出する魅力的な存在となっている。

関連論文リスト

• Geo-FuB: A Method for Constructing an Operator-Function Knowledge Base for Geospatial Code Generation Tasks Using Large Language Models [0.5242869847419834]
  本研究では,地理空間記述のセマンティクスを活用して,そのような知識基盤を構築するためのフレームワークを提案する。 サンプルの知識ベースであるGeo-FuBは154,075のGoogle Earth Engineスクリプトで構築されており、GitHubで公開されている。
  論文  参考訳（メタデータ） (2024-10-28T12:50:27Z)
• An Autonomous GIS Agent Framework for Geospatial Data Retrieval [0.0]
  本研究では,必要な地理空間データを検索できる自律型GISエージェントフレームワークを提案する。 我々はQGISプラグイン(GeoData Retrieve Agent)とPythonプログラムとしてリリースされたフレームワークに基づいたプロトタイプエージェントを開発した。 実験の結果は、OpenStreetMap、行政境界、米国国勢調査局の人口統計データなど、さまざまなソースからデータを取得する能力を示している。
  論文  参考訳（メタデータ） (2024-07-13T14:23:57Z)
• GFM4MPM: Towards Geospatial Foundation Models for Mineral Prospectivity Mapping [2.7998963147546148]
  本研究では,ラベルのない地理空間データのみを用いて,バックボーンニューラルネットワークを自己教師型で学習する自己教師型アプローチを提案する。 以上の結果から,自己超越が学習特徴の堅牢性を促進し,予測精度が向上することが示唆された。 我々は、説明可能な人工知能技術を利用して、個々の予測が地質学的観点から解釈できることを実証する。
  論文  参考訳（メタデータ） (2024-06-18T16:24:28Z)
• GeoGalactica: A Scientific Large Language Model in Geoscience [95.15911521220052]
  大規模言語モデル(LLM)は、自然言語処理(NLP)における幅広いタスクを解く一般的な知識と能力で大きな成功を収めている。 我々は、LLMを地学に特化させ、さらに、地学の膨大なテキストでモデルを事前訓練し、また、カスタム収集した指導チューニングデータセットで得られたモデルを教師付き微調整(SFT)する。 我々はGeoGalacticaを65億のトークンを含む地球科学関連のテキストコーパスで訓練し、最大の地球科学固有のテキストコーパスとして保存する。 次に、100万対の命令チューニングでモデルを微調整する。
  論文  参考訳（メタデータ） (2023-12-31T09:22:54Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• Exploring the Potential of Large Language Models (LLMs) in Learning on Graphs [59.74814230246034]
  大規模言語モデル(LLM)は、広範な共通知識と強力な意味理解能力を持つことが証明されている。 LLMs-as-EnhancersとLLMs-as-Predictorsの2つのパイプラインについて検討する。
  論文  参考訳（メタデータ） (2023-07-07T05:31:31Z)
• K2: A Foundation Language Model for Geoscience Knowledge Understanding and Utilization [105.89544876731942]
  大規模言語モデル(LLM)は自然言語処理の一般分野において大きな成功を収めている。 我々は、地球科学におけるLLM研究をさらに促進するために開発された一連の資源とともに、地球科学における最初のLLMであるK2を提示する。
  論文  参考訳（メタデータ） (2023-06-08T09:29:05Z)
• MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
  マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。 MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。 提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-01-11T03:05:12Z)
• OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
  本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。 私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
  論文  参考訳（メタデータ） (2020-07-13T09:58:14Z)

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。