論文の概要: An AI-assisted conditioning and geological interpretation workflow for usage in implicit geological modeling

• arxiv url: http://arxiv.org/abs/2610.09871v1
• Date: Wed, 07 Oct 2026 11:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.875473
• Title: An AI-assisted conditioning and geological interpretation workflow for usage in implicit geological modeling
• Title（参考訳）: 暗黙的地質モデルのためのAI支援条件付けと地質解釈ワークフロー
• Abstract要約: 帰納的モデリングと相対的地質時間(Relative Geological Time)は、より効率的で、より速く、バイアスが少なく、再現可能な結果を可能にする地質モデリング技術である。 目的は、地震データにおける地平線と断層の効率的な解釈によって、この深度領域を迅速に特徴づけることである。 この研究は、AI支援解釈が、応用された地質モデリングと意思決定への統合を可能にする成熟度に達したことを実証している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Implicit modeling and Relative Geologic Time are geological modeling techniques that enable more efficient, faster, less biased and more reproducible modeling results. For optimal operation, these techniques require many well-constrained input data. In the framework of the Horizon Europe GO-Forward and MOOI WarmingUP GOO projects and to accelerate Implicit modeling, Machine Learning (ML) methods have been tested and implemented in a toolkit for the interpretation of (onshore) seismic data from the shallow to deep range (+- 300 - 3500 m). The goal is to rapidly characterise this depth domain by efficient interpretation of horizons and faults in seismic data. The first step is to improve the signal by applying AI techniques like self-supervised and semi-supervised contrastive learning CNN's for noise reduction and interpolation. Next, horizons and faults are interpreted with minimal use of human-generated training data by using (semi-) self-supervised methods. The resulting developed toolkit supports the application of the implemented algorithms in an efficient workflow. As a first demonstration, the top of the Dutch Maassluis Formation has been interpreted in the Leeuwarden and Waalwijk 3D seismic cubes. Overall, this study demonstrates that AI-assisted interpretation workflows have reached a level of maturity that allows their integration into applied geological modeling and decision-making.
• Abstract（参考訳）: 帰納的モデリングと相対地質時間(Relative Geological Time)は、より効率的で、より速く、バイアスが少なく、再現可能なモデリング結果を可能にする地質モデリング技術である。 最適操作には、多くのよく制約された入力データを必要とする。 Horizon Europe GO-Forward と MOOI WarmingUP GOO プロジェクトのフレームワークとインプリシットモデリングを加速するために,浅部から深部(+-300～3500m)の地震データ(オンショア)を解釈するためのツールキットとして,機械学習(ML)手法が試験および実装されている。 目的は、地震データにおける地平線と断層の効率的な解釈によって、この深度領域を迅速に特徴づけることである。 最初のステップは、ノイズの低減と補間のために、自己教師付きおよび半教師付きコントラスト学習CNNのようなAI技術を適用することで、信号を改善することである。 次に、地平線と断層は、(半)自己管理手法を用いて、人為的なトレーニングデータの使用を最小限に抑えて解釈される。 結果として開発されたツールキットは、効率的なワークフローで実装されたアルゴリズムの適用をサポートする。 最初のデモンストレーションとして、オランダのMaassluis Formationの頂上は、LeuwardenとWaalwijkの3D地震キューブで解釈されている。 全体として、AI支援解釈ワークフローは、応用された地質モデリングと意思決定への統合を可能にする成熟度に達していることを示す。

関連論文リスト

• InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
  InternVLA-A1は動的予測機能を備えた視覚言語モデルである。 我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。 InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-01-05T18:54:29Z)
• 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)
• DISTINGUISH Workflow: A New Paradigm of Dynamic Well Placement Using Generative Machine Learning [0.6990493129893112]
  DISTINGUISHは、ジオステアリングを変換するために設計されたリアルタイムAI駆動のワークフローである。 DistingUISHフレームワークは、関連する地質学的実現を再現するために、GANモデルのオフライントレーニングに依存している。 ワークフローは、リアルタイムLWDデータをDDPベースの意思決定支援システムと自動的に統合する。
  論文  参考訳（メタデータ） (2025-03-11T15:00:13Z)
• A Practical Approach to Underwater Depth and Surface Normals Estimation [3.0516727053033392]
  本稿では,単眼深度と表面正規化推定(MDSNE)のための新しいディープラーニングモデルを提案する。 これは特に、CNNとTransformerを統合するハイブリッドアーキテクチャを使用して、水中環境向けに調整されている。 我々のモデルはパラメータを90%削減し、トレーニングコストを80%削減し、リソース制約されたデバイス上でリアルタイムな3D認識を可能にする。
  論文  参考訳（メタデータ） (2024-10-02T22:41:12Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• A Physics-guided Generative AI Toolkit for Geophysical Monitoring [13.986582633154226]
  フルウェーブフォーム・インバージョン(FWI)は地下探査において重要な役割を担っている。 物理原理で導かれる拡散モデルを用いて高忠実度速度マップを生成するEdGeoツールキットを提案する。
  論文  参考訳（メタデータ） (2024-01-06T06:09:05Z)
• 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)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)

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。