論文の概要: WLFM: A Well-Logs Foundation Model for Multi-Task and Cross-Well Geological Interpretation

• arxiv url: http://arxiv.org/abs/2509.18152v1
• Date: Tue, 16 Sep 2025 14:59:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.42534
• Title: WLFM: A Well-Logs Foundation Model for Multi-Task and Cross-Well Geological Interpretation
• Title（参考訳）: WLFM:マルチタスクおよびクロスウェル地質解釈のためのウェルログ基礎モデル
• Authors: Zhenyu Qi, Qing Yu, Jichen Wang, Yun-Bo Zhao, Zerui Li, Wenjun Lv,
• Abstract要約: 1200の井戸からのマルチカーブログを事前訓練した基礎モデルWLFMを提案する。 WLFMは一貫して最先端のベースラインを上回り、ポロシティ推定では0.0041 MSE、リソロジー分類では74.13%の精度を達成している。 これらの結果は、WLFMを地質学的AIのスケーラブルで解釈可能なバックボーンとして確立し、ログ、地震、テキストデータのマルチモーダル統合に寄与する。
• 参考スコア（独自算出の注目度）: 12.858491655938026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Well-log interpretation is fundamental for subsurface characterization but remains challenged by heterogeneous tool responses, noisy signals, and limited labels. We propose WLFM, a foundation model pretrained on multi-curve logs from 1200 wells, comprising three stages: tokenization of log patches into geological tokens, self-supervised pretraining with masked-token modeling and stratigraphy-aware contrastive learning, and multi-task adaptation with few-shot fine-tuning. WLFM consistently outperforms state-of-the-art baselines, achieving 0.0041 MSE in porosity estimation and 74.13\% accuracy in lithology classification, while WLFM-Finetune further improves to 0.0038 MSE and 78.10\% accuracy. Beyond predictive accuracy, WLFM exhibits emergent layer-awareness, learns a reusable geological vocabulary, and reconstructs masked curves with reasonable fidelity, though systematic offsets are observed in shallow and ultra-deep intervals. Although boundary detection is not explicitly evaluated here, clustering analyses suggest strong potential for future extension. These results establish WLFM as a scalable, interpretable, and transferable backbone for geological AI, with implications for multi-modal integration of logs, seismic, and textual data.
• Abstract（参考訳）: ウェルログの解釈は地下評価には基本的だが、不均一なツール応答、ノイズ信号、ラベルの制限により依然として課題が残されている。 WLFMは1200の井戸からのマルチカーブログに基づいて事前訓練された基礎モデルであり、ログパッチの地質学的トークンへのトークン化、マスクトケンモデリングによる自己教師付き事前学習、層序対応のコントラスト学習、微調整によるマルチタスク適応の3段階からなる。 WLFMは恒常的に最先端のベースラインを上回り、ポロシティ推定では0.0041 MSE、リソロジー分類では74.13 %、WLFM-Finetuneは0.0038 MSEと78.10 %に向上した。 予測精度を超えて、WLFMは創発的な層認識を示し、再利用可能な地質語彙を学習し、合理的な忠実さでマスク付き曲線を再構築するが、体系的なオフセットは浅層と超深層で観測される。 ここでは境界検出は明確に評価されていないが、クラスタリング分析は将来の拡張の強い可能性を示唆している。 これらの結果は、WLFMを地質学的AIのスケーラブルで解釈可能なバックボーンとして確立し、ログ、地震、テキストデータのマルチモーダル統合に寄与する。

関連論文リスト

• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Graph-Based Fault Diagnosis for Rotating Machinery: Adaptive Segmentation and Structural Feature Integration [0.0]
  本稿では,回転機械における頑健かつ解釈可能なマルチクラス故障診断のためのグラフベースフレームワークを提案する。 エントロピー最適化信号セグメンテーション、時間周波数特徴抽出、グラフ理論モデリングを統合し、振動信号を構造化表現に変換する。 提案手法は,2つのベンチマークデータセットで評価した場合,高い診断精度を実現する。
  論文  参考訳（メタデータ） (2025-04-29T13:34:52Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [64.74977204942199]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
  視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。 タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
  論文  参考訳（メタデータ） (2025-03-24T14:23:48Z)
• Adaptive Signal Analysis for Automated Subsurface Defect Detection Using Impact Echo in Concrete Slabs [0.0]
  本研究は,コンクリートスラブの地下欠陥発生領域を検出するための,新しい,自動化された,スケーラブルな手法を提案する。 このアプローチは、高度な信号処理、クラスタリング、および視覚分析を統合して、地下の異常を識別する。 結果は方法論の堅牢性を示し、最小限の偽陽性とほとんど欠陥のない欠陥発生領域を一貫して同定した。
  論文  参考訳（メタデータ） (2024-12-23T20:05:53Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)

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。