論文の概要: Enhancing lithological interpretation from petrophysical well log of IODP expedition 390/393 using machine learning

• arxiv url: http://arxiv.org/abs/2512.13529v1
• Date: Mon, 15 Dec 2025 16:59:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.765933
• Title: Enhancing lithological interpretation from petrophysical well log of IODP expedition 390/393 using machine learning
• Title（参考訳）: 機械学習を用いたIODP探査390/393の岩石学的坑井検層からの岩石学的解釈の促進
• Authors: Raj Sahu, Saumen Maiti,
• Abstract要約: ウェルログからのリソロジー解釈の強化は地質資源探査とマッピングにおいて重要な役割を担っている。 伝統的な統計手法は概ね直線的であり、しばしば岩相と岩石相の区別に失敗する。 本研究では,多変量ウェルログデータを共同で解析する複数の教師付きおよび教師なし機械学習アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enhanced lithological interpretation from well logs plays a key role in geological resource exploration and mapping, as well as in geo-environmental modeling studies. Core and cutting information is useful for making sound interpretations of well logs; however, these are rarely collected at each depth due to high costs. Moreover, well log interpretation using traditional methods is constrained by poor borehole conditions. Traditional statistical methods are mostly linear, often failing to discriminate between lithology and rock facies, particularly when dealing with overlapping well log signals characterized by the structural and compositional variation of rock types. In this study, we develop multiple supervised and unsupervised machine learning algorithms to jointly analyze multivariate well log data from Integrated Ocean Drilling Program (IODP) expeditions 390 and 393 for enhanced lithological interpretations. Among the algorithms, Logistic Regression, Decision Trees, Gradient Boosting, Support Vector Machines (SVM), k-Nearest Neighbors (KNN), and Multi-Layer Perceptron (MLP) neural network models, the Decision Tree and Gradient Boosting models outperformed the others, achieving an accuracy of 0.9950 and an F1-score of 0.9951. While unsupervised machine learning (ML) provides the foundation for cluster information that inherently supports the classification algorithm, supervised ML is applied to devise a data-driven lithology clustering mechanism for IODP datasets. The joint ML-based method developed here has the potential to be further explored for analyzing other well log datasets from the world's oceans.
• Abstract（参考訳）: ウェルログからのリソロジー解釈の強化は、地質資源探査とマッピング、および地球環境モデリング研究において重要な役割を担っている。 コア情報や切削情報は井戸の音の解釈に有用であるが、高コストのため各深さで収集されることは稀である。 さらに,従来の手法によるログの解釈は,ボアホール条件に制約される。 従来の統計手法は概ね線形であり、岩相と岩石相を区別することができないことが多い。 本研究では,統合海洋掘削計画(IODP)の390年と393年の観測データから,多変量ウェルログデータを共同で解析し,リソジカル解釈の強化を図るために,複数の教師付きおよび教師なし機械学習アルゴリズムを開発した。 アルゴリズムの中には、ロジスティック回帰、決定木、グラディエントブースティング、サポートベクトルマシン(SVM)、k-Nearest Neighbors(KNN)、Multi-Layer Perceptron(MLP)ニューラルネットワークモデル、決定木(Decision Tree)とグラディエントブースティング(Gradient Boosting)モデルなどがあり、精度は0.9950、F1スコアは0.9951である。 教師なし機械学習(ML)は、分類アルゴリズムを本質的にサポートするクラスタ情報の基礎を提供する一方で、教師付きMLを適用して、IODPデータセットのためのデータ駆動リソロジークラスタリング機構を考案する。 ここで開発された共同MLベースの手法は、世界の海からの他のウェルログデータセットを分析するためにさらに検討される可能性がある。

関連論文リスト

• WLFM: A Well-Logs Foundation Model for Multi-Task and Cross-Well Geological Interpretation [12.858491655938026]
  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。
  論文  参考訳（メタデータ） (2025-09-16T14:59:45Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• 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)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Topological Data Analysis for Anomaly Detection in Host-Based Logs [1.0878040851638]
  そこで本研究では,Windows ログから直接単体錯体のろ過を構築する手法を提案し,トポロジカルツールを用いた固有構造解析を可能にする。 最終的には、異常検出のための説明可能なフレームワークの一部として、メソッドが使用される可能性について議論する。
  論文  参考訳（メタデータ） (2022-04-25T20:41:02Z)
• Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
  ログ表現を学習するための分類法であるLogsyを提案する。 従来の方法と比較して,F1スコアの平均0.25の改善を示す。
  論文  参考訳（メタデータ） (2020-08-21T07:26:55Z)
• 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)

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。