論文の概要: Uncertainty and Explainable Analysis of Machine Learning Model for Reconstruction of Sonic Slowness Logs

• arxiv url: http://arxiv.org/abs/2308.12625v1
• Date: Thu, 24 Aug 2023 08:03:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 14:44:51.676106
• Title: Uncertainty and Explainable Analysis of Machine Learning Model for Reconstruction of Sonic Slowness Logs
• Title（参考訳）: 音速ログ再構成のための機械学習モデルの不確かさと説明可能な解析
• Authors: Hua Wang, Yuqiong Wu, Yushun Zhang, Fuqiang Lai, Zhou Feng, Bing Xie, Ailin Zhao
• Abstract要約: 我々は、2020年のSPWLAの機械学習コンペティションのデータを用いて、欠落した圧縮波のスローネスとせん断波のスローネスログを予測する。 NGBoostアルゴリズムを用いて、結果と不確実性を予測できるアンサンブル学習モデルを構築する。 その結果,NGBoostモデルでは中性子ポロシティとガンマ線が大きい場合,より遅い予測結果が得られる傾向が示唆された。
• 参考スコア（独自算出の注目度）: 5.815454346817298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Logs are valuable information for oil and gas fields as they help to determine the lithology of the formations surrounding the borehole and the location and reserves of subsurface oil and gas reservoirs. However, important logs are often missing in horizontal or old wells, which poses a challenge in field applications. In this paper, we utilize data from the 2020 machine learning competition of the SPWLA, which aims to predict the missing compressional wave slowness and shear wave slowness logs using other logs in the same borehole. We employ the NGBoost algorithm to construct an Ensemble Learning model that can predicate the results as well as their uncertainty. Furthermore, we combine the SHAP method to investigate the interpretability of the machine learning model. We compare the performance of the NGBosst model with four other commonly used Ensemble Learning methods, including Random Forest, GBDT, XGBoost, LightGBM. The results show that the NGBoost model performs well in the testing set and can provide a probability distribution for the prediction results. In addition, the variance of the probability distribution of the predicted log can be used to justify the quality of the constructed log. Using the SHAP explainable machine learning model, we calculate the importance of each input log to the predicted results as well as the coupling relationship among input logs. Our findings reveal that the NGBoost model tends to provide greater slowness prediction results when the neutron porosity and gamma ray are large, which is consistent with the cognition of petrophysical models. Furthermore, the machine learning model can capture the influence of the changing borehole caliper on slowness, where the influence of borehole caliper on slowness is complex and not easy to establish a direct relationship. These findings are in line with the physical principle of borehole acoustics.
• Abstract（参考訳）: ログは油田やガス田にとって貴重な情報であり、ボーリングホール周辺の地形と地下の油田やガス貯水池の位置と埋蔵量を決定するのに役立っている。 しかし、水平または古い井戸では重要なログが欠落することが多く、フィールドアプリケーションでは問題となる。 本論文では,2020年のSPWLAの機械学習コンペティションのデータを利用して,同じボアホール内の他のログを用いて,圧縮波の速度低下とせん断波の速度低下を予測した。 NGBoostアルゴリズムを用いて、結果と不確実性を予測できるアンサンブル学習モデルを構築する。 さらに,shap法を組み合わせることで,機械学習モデルの解釈可能性について検討する。 我々は,NGBosstモデルの性能を,Random Forest,GBDT,XGBoost,LightGBMを含む4つの一般的なEnsemble Learning手法と比較した。 その結果,NGBoostモデルはテストセットで良好に動作し,予測結果の確率分布を提供することができた。 また、予測したログの確率分布のばらつきを利用して、構築したログの品質を正当化することができる。 SHAPの説明可能な機械学習モデルを用いて、予測結果に対する各入力ログの重要性と、入力ログ間の結合関係を計算する。 その結果,NGBoostモデルでは中性子ポロシティとガンマ線が大きい場合には,より遅い予測結果が得られる傾向にあり,これは石油物理モデルの認識と一致していることがわかった。 さらに、機械学習モデルは、ボアホールキャリパーの変化が低速に与える影響を捉えることができ、ボアホールキャリパーの影響は複雑であり、直接の関係を確立することは容易ではない。 これらの結果はボーリングホール音響の物理原理と一致している。

関連論文リスト

• Efficient selective attention LSTM for well log curve synthesis [0.0]
  本稿では,既存のデータを用いて不足データの予測を行う機械学習手法を提案する。 提案手法は,従来のLong Short-Term Memory(LSTM)ニューラルネットワークに自己注意機構を組み込むことで構築する。 実験により,提案手法は従来の曲線合成法と比較して精度が高いことを示した。
  論文  参考訳（メタデータ） (2023-07-17T09:35:18Z)
• 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)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• 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)
• 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)
• 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)
• Machine Learning for Gas and Oil Exploration [0.0]
  井戸の丸太にはボアホール周辺の岩石の様々な特徴が含まれており、石油物理学者が予想される炭化水素の量を決定することができる。 これらのログはしばしば不完全であり、その結果、その後の分析はウェルログの完全なポテンシャルを活用できない。 本稿では,機械学習がギャップの埋め合わせに応用され,欠落した値を推定できることを実証する。 次に、モデルの予測を定量的に、予測誤差を追跡し、定性的に、与えられた特性に対する測定値と予測値の進化を深度で捉える。
  論文  参考訳（メタデータ） (2020-10-04T11:03:17Z)
• Physics Informed Deep Kernel Learning [24.033468062984458]
  物理インフォームドディープカーネル学習(PI-DKL)は、遅延源を持つ微分方程式で表される物理知識を利用する。 効率的かつ効果的な推論のために、潜伏変数を疎外し、崩壊したモデルエビデンスローバウンド(ELBO)を導出する。
  論文  参考訳（メタデータ） (2020-06-08T22:43:31Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)
• 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。