論文の概要: Do Masked Autoencoders Improve Downhole Prediction? An Empirical Study on Real Well Drilling Data

• arxiv url: http://arxiv.org/abs/2604.20909v1
• Date: Tue, 21 Apr 2026 22:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.085552
• Title: Do Masked Autoencoders Improve Downhole Prediction? An Empirical Study on Real Well Drilling Data
• Title（参考訳）: 仮設オートエンコーダは地下穴予測を改善するか? : 実坑井掘削データに関する実証的研究
• Authors: Aleksander Berezowski, Hassan Hassanzadeh, Gouri Ginde,
• Abstract要約: マスキードオートエンコーダ (MAE) プレトレーニングを, 坑井掘削量予測のために評価した。 最良のMAE構成は、教師付きGRUベースラインと比較してテスト平均絶対誤差を19.8%削減する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Downhole drilling telemetry presents a fundamental labeling asymmetry: surface sensor data are generated continuously at 1~Hz, while labeled downhole measurements are costly, intermittent, and scarce. Current machine learning approaches for downhole metric prediction universally adopt fully supervised training from scratch, which is poorly suited to this data regime. We present the first empirical evaluation of masked autoencoder (MAE) pretraining for downhole drilling metric prediction. Using two publicly available Utah FORGE geothermal wells comprising approximately 3.5 million timesteps of multivariate drilling telemetry, we conduct a systematic full-factorial design space search across 72 MAE configurations and compare them against supervised LSTM and GRU baselines on the task of predicting Total Mud Volume. Results show that the best MAE configuration reduces test mean absolute error by 19.8\% relative to the supervised GRU baseline, while trailing the supervised LSTM baseline by 6.4\%. Analysis of design dimensions reveals that latent space width is the dominant architectural choice (Pearson $r = -0.59$ with test MAE), while masking ratio has negligible effect, an unexpected finding attributed to high temporal redundancy in 1~Hz drilling data. These results establish MAE pretraining as a viable paradigm for drilling analytics and identify the conditions under which it is most beneficial.
• Abstract（参考訳）: ダウホール掘削テレメトリは基本的なラベリング非対称性を示し、表面センサーデータは1〜Hzで連続的に生成され、ラベル付きダウホール計測はコストが高く、断続的で、不足している。 現在、ダウンホール計量予測のための機械学習アプローチは、スクラッチから完全に教師付きトレーニングを普遍的に採用しており、このデータ構造には適していない。 地下掘削量予測のためのマスク付きオートエンコーダ(MAE)の予備訓練を初めて行った経験的評価を行った。 多変量掘削テレメトリの約3.5万時間経過を含む2つのユタ・フォージェ地熱井を用いて,72MAE構成の体系的なフルファクター設計空間探索を行い,全泥量予測のタスクにおけるLSTMおよびGRUベースラインと比較した。 その結果、最高のMAE構成は、教師付きGRUベースラインに対してテスト平均絶対誤差を19.8 %減らし、教師付きLSTMベースラインを6.4 %減らした。 Pearson $r = -0.59$ with test MAE)、マスク比は無視できる効果を持つが、1~Hzの掘削データで高時間冗長性に起因する予期せぬ発見である。 これらの結果から,MAEプレトレーニングは分析をドリルする上で有効なパラダイムとして確立し,最も有用である条件を特定した。

関連論文リスト

• Assessing the Potential of Masked Autoencoder Foundation Models in Predicting Downhole Metrics from Surface Drilling Data [41.99844472131922]
  石油とガスの掘削作業は、表面センサーから広範囲の時系列データを生成する。 ラベル付きダウンホール測定が不足しているため、重要なダウンホール計測のリアルタイム予測は依然として困難である。 この研究は、Masked Autoencoder Foundation Modelsの可能性を評価するために2015年から2025年の間に13の論文をレビューした。
  論文  参考訳（メタデータ） (2026-04-16T15:47:16Z)
• SpecTM: Spectral Targeted Masking for Trustworthy Foundation Models [0.0]
  SpecTMは物理インフォームド・マスクの設計であり、対象のバンドをスペクトル間から再構成することを奨励している。 R2 = 0.695 (現在の週) と R2 = 0.620 (8日間) の予測を (+34% (0.51リッジ) と +99% (SVR 0.31) で上回っている。 極度の不足下では2.2倍のラベル効率で強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-03-23T15:26:51Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• OASIS-DC: Generalizable Depth Completion via Output-level Alignment of Sparse-Integrated Monocular Pseudo Depth [1.4896509623302834]
  最近の基礎モデルはゼロショット深度推定で優れているが、その出力はメートル法よりも本質的に相対的である。 比較的深度が大域的なレイアウトや境界を保っているという事実を活用し, 疎範囲測定で校正する。 精度の低いラベル付きサンプルから精度の高い測定値の予測が可能となるように,事前の信頼性に追従する改良ネットワークを設計する。
  論文  参考訳（メタデータ） (2026-02-01T14:57:33Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Prognostics and Health Management of Wafer Chemical-Mechanical Polishing System using Autoencoder [0.552480439325792]
  Prognostics and Health Management Data Challenge (PHM) 2016は、半導体ウェハ研磨プロセスのコンポーネントの健康状態を追跡する。 最終的な目標は、コンポーネントの健康状態を監視してウエハ表面の摩耗を測定する能力を開発することである。 PHMデータセットにディープラーニングのようなデータ駆動アプローチを適用するのは簡単ではない。 自動エンコーダに基づくクラスタリングにより、トレーニングされた特徴空間が回帰処理により適していることを示す。
  論文  参考訳（メタデータ） (2025-03-03T04:48:34Z)
• Applied Bayesian Structural Health Monitoring: inclinometer data anomaly detection and forecasting [0.0]
  傾斜計プローブ(inlinometer probe)は、土木斜面内の変形を測定する装置である。 本稿では,実世界の傾斜計データに対するベイズ手法の新たな応用を実証する。
  論文  参考訳（メタデータ） (2023-07-01T11:28:43Z)
• Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
  本研究では,単眼深度推定器SC-Depthを提案する。 スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。 提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
  論文  参考訳（メタデータ） (2021-05-25T02:17:56Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)

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。