文献

J-GLOBAL ID：202002234030766422   整理番号：20A0499956

カナダ,Albertaのゴールデンフィールドにおける深層学習アルゴリズムを用いた合成密度ログデータの生成【JST・京大機械翻訳】

Generation of Synthetic Density Log Data Using Deep Learning Algorithm at the Golden Field in Alberta, Canada

著者 (5件)： Kim Sungil (Petroleum and Marine Research Division, Korea Institute of Geoscience and Mineral Resources, 124, Gwahak-ro, Yuseong-gu, Daejeon 34132, Republic of Korea) ,  Kim Kwang Hyun (Petroleum and Marine Research Division, Korea Institute of Geoscience and Mineral Resources, 124, Gwahak-ro, Yuseong-gu, Daejeon 34132, Republic of Korea) ,  Min Baehyun (Department of Climate and Energy Systems Engineering, Ewha Womans University, 52, Ewhayeodae-gil, Seodaemun-gu, Seoul 03760, Republic of Korea) ,  Lim Jungtek (SmartMind, Inc., 1006, 379, Yeouidaebang-ro, Yeongdeungpo-gu, Seoul 03760, Republic of Korea) ,  Lee Kyungbook (Petroleum and Marine Research Division, Korea Institute of Geoscience and Mineral Resources, 124, Gwahak-ro, Yuseong-gu, Daejeon 34132, Republic of Korea)
資料名： Geofluids  (Geofluids)
巻： 2020  ページ： Null  発行年： 2020年 
JST資料番号： W2584A  ISSN： 1468-8115  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 本研究では,合成ログを生成するための深いニューラルネットワーク(DNN)に基づく予測モデルを提案した。以前の研究とは異なり,それは2つの基準に基づく信頼できる予測モデルを構築することに焦点を合わせた。目標場の目的(AlbertaにおけるGolden場)とドメイン知識によるコンプライアンス。最初に,ターゲット場において,密度ログは,炭酸塩堆積環境のために,多孔性解析のためのソニック検層よりも利点がある。密度とソニックログの間の相関を考慮して,DNNの出力として入力と密度ログを決定した。5つの井戸だけが,フィールド(すなわち,ソニックと密度ログ)における一対の訓練データを有するが,著者らは,地質学的知識に基づいて,Slave Point層における同じ堆積環境を共有する29の付加的井戸を得た。データを確保した後に,29の井戸の中の5つの井戸は,予測モデルを改善するために,前処理手順(異常データの除去と最小値正規化)の間のデータセットから除外される。2つの事例を,ターゲット場における井戸情報の利用に従って設計した。事例1は,予測モデルを訓練するために,周囲の井戸の23だけを使用し,そして,他の周囲の井戸を,モデル試験のために用いた。ケース1において,Levenberg-Marquardtアルゴリズムは,高速で信頼できる性能を示し,2つの隠れ層におけるニューロンの数は,それぞれ45と14である。事例2では,24の周辺井戸とターゲット場からの4つの井戸を用いて,事例1から最適化したパラメータを用いてDNNを訓練した。ケース2からの合成密度ログはケース1における過小評価問題を緩和し,真の密度ログの全体的傾向に従う。開発した予測モデルは,合成密度ログを生成するためのソニックログを利用し,与えられた密度ログと合成密度ログを組み合わせることにより,信頼できる多孔性モデルを作成した。Copyright 2020 Sungil Kim et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 深層 ,  堆積環境 ,  予測モデル ,  カナダ ,  ドメイン知識 ,  最適化 ,  地質学 ,  ニューロン ,  前処理 ,  *学習アルゴリズム ,  ニューラルネットワーク ,  炭酸塩 ,  多孔性 ,  検層 ,  正規化

分類 (1件)： 油層工学  (UA10030G)

引用文献 (22件)：

• D. Zhang, Y. Chen, J. Meng, "Synthetic well logs generation via recurrent neural networks," Petroleum Exploration and Development, vol. 45, no. 4, pp. 629-639, 2018.
• M. M. Salehi, M. Rahmati, M. Karimnezhad, P. Omidvar, "Estimation of the non records logs from existing logs using artificial neural networks," Egyptian Journal of Petroleum, vol. 26, no. 4, pp. 957-968, 2017.
• W. Long, D. Chai, R. Aminzadeh, "Pseudo density log generation using artificial neural network," SPE Western Regional Meeting, Anchorage, AK, USA, May 2016.
• L. Rolon, S. D. Mohaghegh, S. Ameri, R. Gaskari, B. McDaniel, "Using artificial neural networks to generate synthetic well logs," Journal of Natural Gas Science and Engineering, vol. 1, no. 4-5, pp. 118-133, 2009.
• M. Korjani, A. S. Popa, E. Grijalva, S. Cassidy, I. Ershaghi, "A new approach to reservoir characterization using deep learning neural networks," SPE Western Regional Meeting, Anchorage, AK, USA, May 2016.

タイトルに関連する用語 (6件)： カナダ ,  フィールド ,  深層学習 ,  アルゴリズム ,  密度 ,  ログデータ