論文の概要: A Transferable Pretrained 3D Model for Impedance Inversion with Sparse-Well Prior Conditioning
- arxiv url: http://arxiv.org/abs/2611.14922v1
- Date: Wed, 11 Nov 2026 02:25:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 11:08:29.299793
- Title: A Transferable Pretrained 3D Model for Impedance Inversion with Sparse-Well Prior Conditioning
- Title(参考訳): スパースウェルプレコンディショニングによるインピーダンスインバージョンのためのトランスファタブル3次元モデル
- Abstract要約: 本稿では,オフライン学習とターゲットサーベイ展開を分離した3次元インバージョンフレームワークを提案する。
マスク付きオートエンコーダは、まずラベルのないマルチサーベイデータから地震構造表現を学習する。
利用可能なコンディショニング井戸は、低周波事前の構成とグローバルインピーダンス範囲の整合にのみ使用される。
- 参考スコア(独自算出の注目度): 8.334300233893545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep-learning-based seismic impedance inversion commonly requires retraining for each target survey, which may generalize poorly beyond the conditioning locations when well control is extremely sparse. We propose a transferable three-dimensional inversion framework that separates offline learning from target-survey deployment. A masked autoencoder first learns seismic structural representations from unlabeled multi-survey data, after which the frozen encoder is incorporated into an inversion network trained on synthetic geological models with sparse-well-derived low-frequency priors. During deployment, the complete inversion network remains fixed; the available conditioning well is used only to construct the low-frequency prior and align the global impedance range. Experiments on the Overthrust model show that the proposed method achieves the lowest full-volume NRMSE and reduces the P95 trace-wise NRMSE from 0.1310 to 0.1074 relative to the best target-trained baseline, indicating fewer localized large errors under different well locations. In a field survey with one conditioning well and three blind wells, it reduces the mean blind-well NRMSE by 20.95% relative to the target-trained U-Net while maintaining the highest correlation. These results demonstrate that the proposed framework transfers useful impedance information beyond the conditioning location with low deployment cost and without retraining the inversion network.
- Abstract(参考訳): 深層学習に基づく耐震性インバージョンは、通常、目標調査ごとに再訓練を必要とする。
本稿では,オフライン学習とターゲットサーベイ展開を分離した3次元インバージョンフレームワークを提案する。
マスク付きオートエンコーダは、まずラベルのないマルチサーベイデータから地震構造表現を学習し、その後、凍結エンコーダをスパースウェル由来の低周波前兆を持つ合成地質モデルに基づいて訓練されたインバージョンネットワークに組み込む。
使用可能なコンディショニング井戸は、低周波の事前構築とグローバルインピーダンス範囲の整列にのみ使用される。
オーバースラストモデルを用いた実験により,提案手法は最下位のフルボリュームNRMSEを達成し,P95トラストワイドNRMSEを最高の目標トレーニングベースラインに対して0.1310から0.1074に低減し,異なる井戸位置下での局所的な大誤差を少なくすることを示した。
1つのコンディショニング井戸と3つのブラインド井戸を持つフィールドサーベイでは、ターゲットトレーニングされたU-Netと比較して平均ブラインドウェルNEMSEを20.95%削減し、高い相関性を維持している。
これらの結果から,提案フレームワークは,インバージョンネットワークを再トレーニングすることなく,配置コストの低い条件付位置を超えて有用なインピーダンス情報を伝達することを示した。
関連論文リスト
- Predicting Sparse Observables in Parameterized Unsteady Flows Using Coarse-Mesh Graph Neural Networks [0.0]
本稿では,粗いメッシュ上にグラフニューラルネットワークを配置することにより,全状態再構成を回避した低次モデルを提案する。
粗いメッシュのGNNは、3Dカオス力学でもトレーニング時間と記憶を減らしながら、より微細なサロゲートにマッチするか、あるいは優れています。
これらの結果から,パラメータ化非定常流の高次モデリングには,粗いメシュ表現,適応サンプリング,雑音増進アンロールトレーニングが有効であることが示唆された。
論文 参考訳(メタデータ) (2026-10-27T21:29:49Z) - T3R: Deeper Test-Time Adaptation for Graph Neural Networks via Gradient Rotation [41.99844472131922]
現実のシステムにデプロイされるグラフニューラルネットワーク(GNN)は通常、固定重みを持つため、分散シフト時の性能低下につながる。
潜在的なアプローチはテスト時間トレーニング(TTT)であり、未ラベルのテストデータを使用してモデルの重みを適応させる。
対象タスクと補助タスク間のタスク親和性を改善するために,複数のロトグラード行列を利用するT3Rを提案する。
論文 参考訳(メタデータ) (2026-06-29T09:18:11Z) - D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection [0.0]
非教師付き異常検出(UAD)は、現代の製造において、自動視覚検査の鍵となる要素である。
本稿では、D3R-Netについて紹介する。D3R-Netは、自己教師型「癒し」タスクと周波数認識正規化を結合したデュアルドメイン・デノベーション・コンストラクションフレームワークである。
空間平均二乗誤差に加えて、周波数領域の整合性を促進するFast Fourier Transform (FFT) 等級損失を用いる。
論文 参考訳(メタデータ) (2026-01-27T23:21:59Z) - MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。
我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。
1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
論文 参考訳(メタデータ) (2025-11-17T06:17:08Z) - TGLF-SINN: Deep Learning Surrogate Model for Accelerating Turbulent Transport Modeling in Fusion [18.028061388104963]
我々は,3つの重要なイノベーションを持つtextbfTGLF-SINN (Spectra-Informed Neural Network) を提案する。
我々の手法は、トレーニングデータを大幅に減らし、優れたパフォーマンスを実現する。
下流フラックスマッチングアプリケーションでは、NNサロゲートがTGLFの45倍のスピードアップを提供しながら、同等の精度を維持しています。
論文 参考訳(メタデータ) (2025-09-07T09:36:51Z) - PreAdaptFWI: Pretrained-Based Adaptive Residual Learning for Full-Waveform Inversion Without Dataset Dependency [8.719356558714246]
フルウェーブフォーム・インバージョン(Full-waveform Inversion、FWI)は、地震データを用いて地下媒体の物理パラメータを反転させる手法である。
異常な性質のため、FWIは局所的なミニマに閉じ込められやすい。
ニューラルネットワークとFWIを組み合わせることで、インバージョンプロセスの安定化が試みられている。
論文 参考訳(メタデータ) (2025-02-17T15:30:17Z) - DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。
DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
論文 参考訳(メタデータ) (2025-01-08T09:08:24Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳(メタデータ) (2021-10-20T06:15:45Z)
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。