論文の概要: Generalization with Reverse-Calibration of Well and Seismic Data Using
Machine Learning Methods for Complex Reservoirs Predicting During Early-Stage
Geological Exploration Oil Field
- arxiv url: http://arxiv.org/abs/2304.03048v2
- Date: Fri, 2 Jun 2023 09:56:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 19:40:20.247972
- Title: Generalization with Reverse-Calibration of Well and Seismic Data Using
Machine Learning Methods for Complex Reservoirs Predicting During Early-Stage
Geological Exploration Oil Field
- Title（参考訳）: 早期地質探査油田における複雑な貯留層予測のための機械学習による井戸・地震データの逆校正による一般化
- Authors: Dmitry Ivlev
- Abstract要約: 本研究の目的は, 研究領域に広がる炭化水素貯水池の確率を予測するための自律的アプローチを開発し, 適用することである。
この手法は二項分類の問題に機械学習アルゴリズムを用いる。
地震波の属性は予測器として使用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The aim of this study is to develop and apply an autonomous approach for
predicting the probability of hydrocarbon reservoirs spreading in the studied
area. The methodology uses machine learning algorithms in the problem of binary
classification, which restore the probability function of the space element
belonging to the classes identified by the results of interpretation of well
logging. Attributes of seismic wavefield are used as predictors. The study
includes the following sequence of actions: creation of data sets for training,
selection of features, reverse-calibration of data, creation of a population of
classification models, evaluation of classification quality, evaluation of the
contribution of features in the prediction, ensembling the population of models
by stacking method. As a result, a prediction was made - a three-dimensional
cube of calibrated probabilities of belonging of the studied space to the class
of reservoir and its derivative in the form of the map of reservoir thicknesses
of the Achimov complex of deposits was obtained. Assessment of changes in the
quality of the forecast depending on the use of different data sets was carried
out. Conclusion. The reverse-calibration method proposed in this work uses the
uncertainty of geophysical data as a hyperparameter of the global tuning of the
technological stack, within the given limits of the a priori error of these
data. It is shown that the method improves the quality of the forecast. The
technological stack of machine learning algorithms used in this work allows
expert-independent generalization of geological and geophysical data, and use
this generalization to test hypotheses and create geological models based on a
probabilistic view of the reservoir.
- Abstract（参考訳）: 本研究の目的は, 研究領域に広がる炭化水素貯水池の確率を予測するための自律的アプローチを開発し, 適用することである。
この手法は, 2次分類問題において機械学習アルゴリズムを用いて, well loggingの解釈結果から同定されたクラスに属する空間要素の確率関数を復元する。
地震波場の特性は予測器として用いられる。
本研究は、訓練用データセットの作成、特徴の選択、データの逆分割、分類モデルの集団の作成、分類品質の評価、予測における特徴の寄与の評価、積み重ね法によるモデルの集団の感覚化といった一連のアクションを含む。
その結果, 鉱床のアキモフ複合体の貯水池の厚さ分布図の形で, 調査空間のキャリブレーションされた確率の3次元立方体を貯水池のクラスとその誘導体とした。
異なるデータセットの使用による予測品質の変化の評価を行った。
結論だ
本研究で提案するリバースキャリブレーション法は,これらのデータの事前誤差の所定の限界内において,物理データの不確実性を技術スタックのグローバルチューニングのハイパーパラメータとして利用する。
本手法は予測の質を向上させることを示す。
この研究で使用される機械学習アルゴリズムの技術スタックは、地質学的および地球物理学的データの専門家に依存しない一般化を可能にし、この一般化を使って仮説を検証し、貯水池の確率論的視点に基づいた地質モデルを作成する。
関連論文リスト
- Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。
この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文 参考訳（メタデータ） (2023-07-06T15:19:53Z) - Enhancing Petrophysical Studies with Machine Learning: A Field Case
Study on Permeability Prediction in Heterogeneous Reservoirs [0.0]
この研究では、ニューラルネットワーク(ANN)、ランダムフォレスト(RFC)、サポートベクトルマシン(SVM)の3つの機械学習アルゴリズムが採用された。
本研究の主な目的は,透過性予測における3つの機械学習アルゴリズムの有効性を比較し,最適予測法を決定することである。
この発見は貯水池のシミュレーションを改善し、より正確に将来の井戸を見つけるために使われる。
論文 参考訳（メタデータ） (2023-05-11T21:23:37Z) - Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。
我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。
この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文 参考訳（メタデータ） (2023-04-20T19:15:02Z) - Reservoir Prediction by Machine Learning Methods on The Well Data and
Seismic Attributes for Complex Coastal Conditions [0.0]
本研究では,データと空間特性に基づいて学習を行う機械学習の方向性を考察する。
沿岸域における地震データ解釈の難しさを考慮し, 提案手法は, 地質学的, 地質学的データ全体の総量に対応できるツールである。
論文 参考訳（メタデータ） (2023-01-09T09:23:09Z) - Prediction of geophysical properties of rocks on rare well data and
attributes of seismic waves by machine learning methods on the example of the
Achimov formation [0.0]
本研究の目的は,シベリア西部の油田部におけるアキモフ堆積物の産出間隔である。
この研究は、機械学習アルゴリズムの技術的スタック、ソースデータを合成データで強化する方法、そして新しい機能を作成するアルゴリズムを示している。
論文 参考訳（メタデータ） (2021-06-24T18:54:47Z) - Evaluating State-of-the-Art Classification Models Against Bayes
Optimality [106.50867011164584]
正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。
われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
論文 参考訳（メタデータ） (2021-06-07T06:21:20Z) - 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) - 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) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2020-06-08T07:01:38Z)
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。