論文の概要: Explainable Probabilistic Machine Learning for Predicting Drilling Fluid Loss of Circulation in Marun Oil Field

• arxiv url: http://arxiv.org/abs/2511.06607v1
• Date: Mon, 10 Nov 2025 01:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.01814
• Title: Explainable Probabilistic Machine Learning for Predicting Drilling Fluid Loss of Circulation in Marun Oil Field
• Title（参考訳）: マルン油田における流体損失予測のための説明可能な確率論的機械学習
• Authors: Seshu Kumar Damarla, Xiuli Zhu,
• Abstract要約: 本研究では,ガウス過程回帰(GPR)に基づく確率論的機械学習フレームワークを提案する。 GPRモデルは, 掘削パラメータ間の非線形依存関係を捕捉し, 予測の不確実性を定量化し, リスクの高い意思決定に信頼性を高める。
• 参考スコア（独自算出の注目度）: 0.5217870815854703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lost circulation remains a major and costly challenge in drilling operations, often resulting in wellbore instability, stuck pipe, and extended non-productive time. Accurate prediction of fluid loss is therefore essential for improving drilling safety and efficiency. This study presents a probabilistic machine learning framework based on Gaussian Process Regression (GPR) for predicting drilling fluid loss in complex formations. The GPR model captures nonlinear dependencies among drilling parameters while quantifying predictive uncertainty, offering enhanced reliability for high-risk decision-making. Model hyperparameters are optimized using the Limited memory Broyden Fletcher Goldfarb Shanno (LBFGS) algorithm to ensure numerical stability and robust generalization. To improve interpretability, Local Interpretable Model agnostic Explanations (LIME) are employed to elucidate how individual features influence model predictions. The results highlight the potential of explainable probabilistic learning for proactive identification of lost-circulation risks, optimized design of lost circulation materials (LCM), and reduction of operational uncertainties in drilling applications.
• Abstract（参考訳）: 掘削作業における損失循環は依然として大きな課題であり、しばしば不安定性、パイプの詰まり、非生産時間の延長をもたらす。 したがって, 掘削の安全性と効率を向上させるためには, 流動損失の正確な予測が不可欠である。 本研究では,ガウス過程回帰(GPR)に基づく確率論的機械学習フレームワークを提案する。 GPRモデルは, 掘削パラメータ間の非線形依存関係を捕捉し, 予測の不確実性を定量化し, リスクの高い意思決定に信頼性を高める。 モデルハイパーパラメータは、数値安定性とロバストな一般化を保証するために、リミテッドメモリの Broyden Fletcher Goldfarb Shanno (LBFGS) アルゴリズムを用いて最適化される。 解釈可能性を改善するため,LIME(Local Interpretable Model Agnostic Explanations)を用いて,個々の特徴がモデル予測に与える影響を明らかにする。 その結果, 損失循環リスクの積極的な同定, 損失循環材料 (LCM) の最適化設計, 掘削における運用上の不確かさの低減について, 説明可能な確率論的学習の可能性を強調した。

関連論文リスト

• Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data [0.0]
  本稿では,実世界の運用記録と合成機械的破壊シナリオを融合したディープラーニングフレームワークを提案する。 XGBoost回帰器は14.3%の絶対誤差(MedAE)と15.1%のLong Short-Term Memoryネットワークの2つのアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2025-06-04T12:12:56Z)
• Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
  不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。 本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-01T09:13:27Z)
• Enhancing Uncertainty Estimation and Interpretability via Bayesian Non-negative Decision Layer [55.66973223528494]
  本研究では, ディープニューラルネットワークを条件付きベイズ非負因子分析として再構成したベイズ非負決定層(BNDL)を開発した。 BNDLは複雑な依存関係をモデル化し、堅牢な不確実性推定を提供する。 また,BNDLが効果的に不整合学習を達成できるという理論的保証も提供する。
  論文  参考訳（メタデータ） (2025-05-28T10:23:34Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Wasserstein Distributionally Robust Nonparametric Regression [9.65010022854885]
  本稿では、ワッサーシュタイン分布性非パラメトリック推定器の一般化特性について検討する。 我々は,過度の局地的最悪のリスクに対して,非漸近的エラー境界を確立する。 提案した推定器のロバスト性はシミュレーション研究を通じて評価し,MNISTデータセットへの適用例を示した。
  論文  参考訳（メタデータ） (2025-05-12T18:07:37Z)
• Low-Order Flow Reconstruction and Uncertainty Quantification in Disturbed Aerodynamics Using Sparse Pressure Measurements [0.0]
  本稿では,低次グステンカウンタ流場と昇降係数をスパース・ノイズ表面圧力測定から再構成する新しい機械学習フレームワークを提案する。 本研究では,センサのガス-空気相互作用に対する応答の時間変化を徹底的に検討し,センサ配置に関する貴重な知見を明らかにする。
  論文  参考訳（メタデータ） (2025-01-06T22:02:06Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。