論文の概要: Strategic Geosteeering Workflow with Uncertainty Quantification and Deep Learning: A Case Study on the Goliat Field

• arxiv url: http://arxiv.org/abs/2210.15548v1
• Date: Thu, 27 Oct 2022 15:38:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 15:41:18.087027
• Title: Strategic Geosteeering Workflow with Uncertainty Quantification and Deep Learning: A Case Study on the Goliat Field
• Title（参考訳）: 不確かさの定量化と深層学習による戦略的ジオステアリングワークフロー:ゴリアトフィールドを事例として
• Authors: Muzammil Hussain Rammay, Sergey Alyaev, David Selv{\aa}g Larsen, Reidar Brumer Bratvold, Craig Saint
• Abstract要約: 本稿では,オフラインとオンラインのフェーズからなる実践的なワークフローを提案する。 オフラインフェーズには、不確実な事前ニアウェルジオモデルのトレーニングと構築が含まれている。 オンラインフェーズでは、フレキシブルな反復アンサンブルスムーズ(FlexIES)を使用して、極深電磁データのリアルタイム同化を行う。
• 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 real-time interpretation of the logging-while-drilling data allows us to estimate the positions and properties of the geological layers in an anisotropic subsurface environment. Robust real-time estimations capturing uncertainty can be very useful for efficient geosteering operations. However, the model errors in the prior conceptual geological models and forward simulation of the measurements can be significant factors in the unreliable estimations of the profiles of the geological layers. The model errors are specifically pronounced when using a deep-neural-network (DNN) approximation which we use to accelerate and parallelize the simulation of the measurements. This paper presents a practical workflow consisting of offline and online phases. The offline phase includes DNN training and building of an uncertain prior near-well geo-model. The online phase uses the flexible iterative ensemble smoother (FlexIES) to perform real-time assimilation of extra-deep electromagnetic data accounting for the model errors in the approximate DNN model. We demonstrate the proposed workflow on a case study for a historic well in the Goliat Field (Barents Sea). The median of our probabilistic estimation is on-par with proprietary inversion despite the approximate DNN model and regardless of the number of layers in the chosen prior. By estimating the model errors, FlexIES automatically quantifies the uncertainty in the layers' boundaries and resistivities, which is not standard for proprietary inversion.
• Abstract（参考訳）: 検層データのリアルタイム解釈により,異方性地下環境における地質層の位置と特性を推定できる。 不確実性を捉えるロバストなリアルタイム推定は、効率的なジオステアリング操作に非常に有用である。 しかし, 従来の概念的地質モデルにおけるモデル誤差と, 測定の前方シミュレーションは, 地質層のプロファイルの信頼できない推定に重要な要因となる。 シミュレーションの高速化と並列化に使用するディープ・ニューラル・ネットワーク(DNN)近似を用いた場合,モデル誤差は特に顕著である。 本稿ではオフラインとオンラインのフェーズからなる実践的なワークフローを提案する。 オフラインフェーズには、DNNトレーニングと、不確実な事前ニアウェルジオモデルの構築が含まれている。 オンラインフェーズでは、フレキシブル反復アンサンブルスムーザ(flexies)を使用して、近似dnnモデルにおけるモデル誤差を考慮した深部電磁データのリアルタイム同化を行う。 本稿では,ゴリアト海(バレンツ海)の歴史的井戸を事例として,提案したワークフローを実証する。 確率的推定の中央値は、近似DNNモデルにも拘わらず、選択した前の層数にも拘わらず、プロプライエタリな逆転と同程度である。 モデルエラーを推定することにより、FlexIESはレイヤの境界と抵抗の不確実性を自動的に定量化します。

関連論文リスト

• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
  主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。 データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Physics-Informed Graph Neural Network for Spatial-temporal Production Forecasting [0.0]
  歴史的データに基づく生産予測は、炭化水素資源の開発に不可欠な価値を提供する。 生産予測のためのグリッドフリーな物理インフォームドグラフニューラルネットワーク(PI-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T23:28:40Z)
• Probabilistic forecasting for geosteering in fluvial successions using a generative adversarial network [0.0]
  リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。 本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。 この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
  論文  参考訳（メタデータ） (2022-07-04T12:52:38Z)
• Probabilistic model-error assessment of deep learning proxies: an application to real-time inversion of borehole electromagnetic measurements [0.0]
  深部電磁法(EM)測定における深部学習モデルの近似特性と関連するモデル誤差の影響について検討した。 フォワードモデルとしてディープニューラルネットワーク(DNN)を使用することで、数秒で数千のモデル評価を実行できます。 本稿では, モデル誤差を無視しながら, EM測定の逆転に伴う問題を明らかにする数値計算結果を提案する。
  論文  参考訳（メタデータ） (2022-05-25T11:44:48Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks: Theory, Methods, and Algorithms [2.266704469122763]
  本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。 容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。 モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
  論文  参考訳（メタデータ） (2021-03-18T11:34:08Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Modeling extra-deep electromagnetic logs using a deep neural network [0.415623340386296]
  現代のジオステアリングは、ディープ電磁(EM)測定のリアルタイム解釈に大きく依存している。 本稿では,ディープニューラルネットワーク(DNN)モデルの構築手法を提案する。 モデルは、比抵抗値の異なる最大7層からなる1D層環境で訓練される。
  論文  参考訳（メタデータ） (2020-05-18T17:45:46Z)

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。