文献

J-GLOBAL ID：201802283216792208   整理番号：18A1362786

リカレントニューラルネットワークによる合成坑井ログの生成【JST・京大機械翻訳】

Synthetic well logs generation via Recurrent Neural Networks

著者 (3件)： ZHANG Dongxiao (College of Engineering, Peking University, Beijing 100871, China) ,  CHEN Yuntian (College of Engineering, Peking University, Beijing 100871, China) ,  MENG Jin (College of Engineering, Peking University, Beijing 100871, China)
資料名： Petroleum Exploration and Development Online  (Petroleum Exploration and Development Online)
巻： 45  号： 4  ページ： 629-639  発行年： 2018年 
JST資料番号： W2880A  ISSN： 1876-3804  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 経済コストを増加させることなく失われた検層情報を補完するために,既存のログデータから合成井ログを生成する機械学習法を提示し,実験検証と適用効果分析を実施した。従来の完全結合ニューラルネットワーク(FCNN)は,空間依存性を保存することができないので,一種の再帰ニューラルネットワーク(RNN)である長い短時間メモリ(LSTM)ネットワークを,ログ再構成のための方法を確立するために利用した。この方法により,合成ログは,変動傾向と深さによる文脈情報を考慮して,一連の入力ログデータから生成することができる。さらに,カスケードシステムと標準LSTMを組み合わせることにより,カスケードLSTMを提案した。実際の坑井検層データによる試験は以下のことを示した。LSTMからの結果は,従来のFCNNより高い精度であった。カスケードLSTMは,多重シリーズデータを有する問題に対してより適切である。提案した機械学習法は,合成坑井ログ生成のための正確で費用効果的な方法を提供する。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  *ネットワーク ,  *ニューラルネットワーク ,  検層 ,  人工知能 ,  多重化 ,  *坑井 ,  再構成 ,  空間依存性 ,  機械学習 ,  短期記憶 ,  費用対効果 ,  *リカレントニューラルネットワーク ,  実験検証
準シソーラス用語： 文脈情報 , 【Automatic Indexing@JST】

著者キーワード (7件)： 坑井検層 ,  生成法 ,  機械学習 ,  完全連結ニューラルネットワーク ,  リカレントニューラルネットワーク ,  長期短期記憶 ,  人工知能

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： リカレントニューラルネットワーク ,  坑井 ,  ログ