論文の概要: Reservoir Static Property Estimation Using Nearest-Neighbor Neural Network

• arxiv url: http://arxiv.org/abs/2409.15295v1
• Date: Fri, 27 Sep 2024 07:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 20:05:48.851989
• Title: Reservoir Static Property Estimation Using Nearest-Neighbor Neural Network
• Title（参考訳）: 近傍ニューラルネットワークを用いた貯留層定常特性の推定
• Authors: Yuhe Wang,
• Abstract要約: 本稿では, 近接ニューラルネットワークを用いた貯水池モデルにおける静的特性の空間分布の推定手法を提案する。 それは、データポイント間の局所的な空間的関係を捉え、プロセスに固有の不確実性を定量化するためにランダム化を導入する最も近い隣人を含んでいる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This note presents an approach for estimating the spatial distribution of static properties in reservoir modeling using a nearest-neighbor neural network. The method leverages the strengths of neural networks in approximating complex, non-linear functions, particularly for tasks involving spatial interpolation. It incorporates a nearest-neighbor algorithm to capture local spatial relationships between data points and introduces randomization to quantify the uncertainty inherent in the interpolation process. This approach addresses the limitations of traditional geostatistical methods, such as Inverse Distance Weighting (IDW) and Kriging, which often fail to model the complex non-linear dependencies in reservoir data. By integrating spatial proximity and uncertainty quantification, the proposed method can improve the accuracy of static property predictions like porosity and permeability.
• Abstract（参考訳）: 本稿では, 近接ニューラルネットワークを用いた貯留層モデルにおける静的特性の空間分布の推定手法を提案する。 この手法は複雑な非線形関数の近似におけるニューラルネットワークの強み、特に空間補間を含むタスクに有効である。 このアルゴリズムは、データポイント間の局所的な空間関係を捉え、補間過程に固有の不確かさを定量化するためにランダム化を導入する。 このアプローチは、逆距離重み付け(IDW)やクリギング(Kriging)のような従来の統計手法の制限に対処する。 空間的近接性と不確かさの定量化を統合することにより、ポーシティや透水性といった静的な特性予測の精度を向上させることができる。

関連論文リスト

• Efficient Trajectory Inference in Wasserstein Space Using Consecutive Averaging [3.8623569699070353]
  軌道推論は、そのような観測から連続的な過程を再構築する挑戦を扱う。 ワッサーシュタイン空間に直交する連続平均化による点雲のB-スプライン近似法を提案する。 コンバージェンス保証を提供し、シミュレーションセルデータ上でテストすることで、我々の手法を厳格に評価する。
  論文  参考訳（メタデータ） (2024-05-30T04:19:20Z)
• A Neural Network-Based Enrichment of Reproducing Kernel Approximation for Modeling Brittle Fracture [0.0]
  脆性破壊をモデル化するためのニューラルネットワーク強化再生カーネル粒子法(NN-RKPM)の改良版を提案する。 提案手法の有効性は,損傷伝播と分岐を含む一連の数値例によって実証された。
  論文  参考訳（メタデータ） (2023-07-04T21:52:09Z)
• Efficient Large-scale Nonstationary Spatial Covariance Function Estimation Using Convolutional Neural Networks [3.5455896230714194]
  非定常データからサブリージョンを導出するためにConvNetsを使用します。 定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。 提案手法の性能を大規模に評価する。
  論文  参考訳（メタデータ） (2023-06-20T12:17:46Z)
• Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
  誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。 地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:20:17Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)
• Featurized Density Ratio Estimation [82.40706152910292]
  本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。 この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。 同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
  論文  参考訳（メタデータ） (2021-07-05T18:30:26Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Tensor Laplacian Regularized Low-Rank Representation for Non-uniformly Distributed Data Subspace Clustering [2.578242050187029]
  低ランク表現(LRR)は、サブスペースクラスタリングにおけるデータポイントの局所性情報を破棄する。 本稿では,隣接ノードの変動数を容易にし,データの局所性情報を組み込むハイパーグラフモデルを提案する。 人工および実データを用いた実験により,提案手法の精度と精度が向上した。
  論文  参考訳（メタデータ） (2021-03-06T08:22:24Z)
• Robust and integrative Bayesian neural networks for likelihood-free parameter inference [0.0]
  要約統計を学習するための最先端のニューラルネットワークベースの手法は、シミュレーションベースの確率自由パラメータ推論に有望な結果をもたらした。 本研究では,ベイズニューラルネットワークを用いて要約統計学を学習し,カテゴリー分布を用いて後部密度を直接推定する頑健な統合手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T13:45:23Z)
• Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
  ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。 本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
  論文  参考訳（メタデータ） (2020-12-09T20:19:32Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。