論文の概要: Breakout-picker: Reducing false positives in deep learning-based borehole breakout characterization from acoustic image logs

• arxiv url: http://arxiv.org/abs/2604.16011v1
• Date: Fri, 17 Apr 2026 12:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.913558
• Title: Breakout-picker: Reducing false positives in deep learning-based borehole breakout characterization from acoustic image logs
• Title（参考訳）: Breakout-picker: 深層学習に基づくボアホールブレークアウト評価における偽陽性の低減
• Authors: Guangyu Wang, Xiaodong Ma, Xinming Wu,
• Abstract要約: ボアホール破断は、ボアホール壁にストレスによって引き起こされるスポーリングである。 深層学習は、時間と労働集約的なブレークアウト選択プロセスを自動化するために導入された。 本研究では,自動ブレークアウト評価における偽陽性の低減に着目し,ブレークアウト・ピッカー(Breakout-picker)と呼ばれるフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 8.063917782192531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Borehole breakouts are stress-induced spalling on the borehole wall, which are identifiable in acoustic image logs as paired zones with near-symmetry azimuths, low acoustic amplitudes, and increased borehole radius. Accurate breakout characterization is crucial for in-situ stress analysis. In recent years, deep learning has been introduced to automate the time-consuming and labor-intensive breakout picking process. However, existing approaches often suffer from misclassification of non-breakout features, leading to high false positive rates. To address this limitation, this study develops a deep learning framework, termed Breakout-picker, with a specific focus on reducing false positives in automatic breakout characterization. Breakout-picker reduces false positives through two strategies. First, the training of Breakout-picker incorporates negative samples of non-breakout features, including natural fractures, keyseats, and logging artifacts. They share similar characteristics with breakouts, such as low acoustic amplitude or locally enlarged borehole radius. These negative training samples enables Breakout-picker to better discriminate true breakouts and similar non-breakout features. Second, candidate breakouts identified by Breakout-picker are further validated by azimuthal symmetry criteria, whereby detections that do not exhibit the near-symmetry characteristics of breakout azimuth are excluded. The performance of Breakout-picker is evaluated using three acoustic image log datasets from different regions. The results demonstrate that Breakout-picker outperforms other automatic methods with higher accuracy and substantially lower false positive rates. By reducing false positives, Breakout-picker enhances the reliability of automatic breakout characterization from acoustic image logs, which in turn benefits in-situ stress analysis based on borehole breakouts.
• Abstract（参考訳）: ボアホール破断は、ボアホール壁の応力によって引き起こされるスポーリングであり、音響画像記録では、ほぼ対称な方位、低音響振幅、ボアホール半径の増加を含むペアのゾーンとして識別できる。 インサイトストレス解析には正確なブレークアウト特性が不可欠である。 近年,時間と労働集約的なブレークアウト選択プロセスを自動化するため,ディープラーニングが導入されている。 しかし、既存のアプローチはしばしば非ブレークアウトの特徴の誤分類に悩まされ、偽陽性率が高い。 この制限に対処するため、この研究では、ブレークアウト・ピッカーと呼ばれるディープラーニングフレームワークを開発し、自動ブレークアウト特徴付けにおける偽陽性の低減に特化している。 Breakout-pickerは2つの戦略を通じて偽陽性を減らす。 まず、Breakout-pickerのトレーニングでは、自然骨折、キーシート、ロギングアーティファクトなど、非ブレークアウト機能の負のサンプルが組み込まれている。 それらは、低音響振幅や局所的に拡大されたボアホール半径のような、ブレークアウトと同じような特徴を共有している。 これらの負のトレーニングサンプルにより、Breakout-pickerは真のブレークアウトと同じような非ブレークアウト機能をよりよく識別することができる。 次に、Breakout-pickerによって同定された候補のブレークアウトをアジムタル対称性基準によりさらに検証し、ブレークアウトアジマスの近対称性特性を示さない検出を除外する。 異なる領域の3つの音響画像ログデータセットを用いてBreakout-pickerの性能を評価する。 その結果,Breakout-pickerは他の自動手法よりも精度が高く,偽陽性率もかなり低い結果を得た。 偽陽性の低減により、Breakout-pickerは音響画像ログから自動ブレークアウトキャラクタリゼーションの信頼性を高め、ボアホールブレークアウトに基づくその場応力解析の利点を享受する。

関連論文リスト

• Bias Inheritance in Neural-Symbolic Discovery of Constitutive Closures Under Function-Class Mismatch [1.6249267147413524]
  PDE構造を持つ非線形反応拡散系における閉包のデータの駆動的発見について検討する。 物理的制約下で数値的代理を学習し、これらの代理を制限可能な記号族に圧縮し、未知の初期条件で明示的な前方シミュレーションによってシンボル的クロージャを検証する3段階のニューラルネットワーク・シンボリック・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-01T19:39:04Z)
• What Does It Take to Build a Performant Selective Classifier? [30.90225954725644]
  ベイズノイズ,近似誤差,ランキング誤差,統計的ノイズ,実装またはシフト誘起スラックについて検討した。 我々は,合成2モードデータと実世界のビジョンと言語ベンチマークを用いて,その分解を検証した。 その結果, (i)ベイズノイズとモデル容量の制限は, 実質的なギャップを考慮し, (ii) よりリッチで特徴を考慮したキャリブレータのみを有意義に改善し, (iii) データシフトは, 分散的に堅牢なトレーニングを必要とするスラックを別々に導入することを確認した。
  論文  参考訳（メタデータ） (2025-10-23T05:48:40Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• AFD: Mitigating Feature Gap for Adversarial Robustness by Feature Disentanglement [56.90364259986057]
  逆方向の微調整法は、逆方向の訓練方法で事前訓練されたモデルを微調整することにより、逆方向の強靭性を高める。 本稿では,特定の潜伏する特徴を明示的にモデル化し,除去するためのアンタングルメントに基づくアプローチを提案する。 提案手法は,既存の対戦型微調整法や対戦型トレーニングベースラインを超越した手法である。
  論文  参考訳（メタデータ） (2024-01-26T08:38:57Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [77.45468386115306]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• Learning Curves for Noisy Heterogeneous Feature-Subsampled Ridge Ensembles [34.32021888691789]
  雑音の多い最小二乗尾根アンサンブルにおける特徴バッグングの理論を開発する。 サブサンプリングは線形予測器の2Dピークをシフトすることを示した。 特徴サブサンプリングアンサンブルの性能を1つの線形予測器と比較する。
  論文  参考訳（メタデータ） (2023-07-06T17:56:06Z)

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。