文献

J-GLOBAL ID：202002277756791388   整理番号：20A1923398

適応粒子群最適化リカレントニューラルネットワークに基づくせん断波速度予測【JST・京大機械翻訳】

Shear wave velocity prediction based on adaptive particle swarm optimization optimized recurrent neural network

著者 (3件)： Wang Jun (School of Geophysics, Chengdu University of Technology, 610059, China) ,  Cao Junxing (School of Geophysics, Chengdu University of Technology, 610059, China) ,  Yuan Shan (School of Earth Sciences, Chengdu University of Technology, Chengdu, Sichuan, 610059, China)
資料名： Journal of Petroleum Science and Engineering  (Journal of Petroleum Science and Engineering)
巻： 194  ページ： Null  発行年： 2020年 
JST資料番号： T0412A  ISSN： 0920-4105  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： せん断波速度(V_s)は貯留層記述と流体同定のための重要なパラメータであり,石油とガス貯留層の地質力学と岩石物理学の研究に広く適用されている。しかし,V_sログのコストが高いため,実際の坑井ログデータは一般にV_sに関する情報を欠いているが,これは実際の作業の要求を満たすことができない。したがって,従来のログを用いてVsを推定することは非常に重要である。本研究では,深層学習における新しい成果に従って,適応学習戦略による粒子群最適化(PSO)アルゴリズムにより最適化された長い短期メモリ(LSTM)再帰中性ネットワークに基づいて,新しいハイブリッドVs予測モデルを確立した。この目的のために,まず,グレー関係解析法を用いてデータ次元を低減し,V_sを予測する入力間で敏感なログを選択した。次に,LSTMネットワークを適用して,選択した高感度ログとVsの間の非線形関係をモデル化し,適応学習戦略によるPSOアルゴリズムによるLSTMモデルにおけるキーハイパーパラメータの発見を通して,ログデータ特徴がネットワークトポロジー構造に適合し,そして,V_sのモデル予測発生を改善した。最後に,優越性を実際の岩石物理ログデータを通して検証し,他の予測方法と比較した。この方法によって,V_sは,深さによる変動傾向とコンテキスト情報を考慮して,一連の入力ログデータから予測することができた。それは,V_s予測のような多重系列データによる問題により適している。実際の岩石物理ログデータの処理の結果は,従来の方式と比較して,適応学習戦略ベースのLSTMネットワークモデルを有するPSOアルゴリズムが,より高い予測精度とロバスト性を提供するだけではなく,また,Vs予測研究において有望な応用展望を有することを示した。Copyright 2020 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： 予測技法 ,  アルゴリズム ,  記憶装置 ,  *最適化 ,  石油 ,  *ネットワーク ,  岩石 ,  多重化 ,  坑井 ,  ロバスト性 ,  予測モデル
準シソーラス用語： 適応学習 ,  *粒子群最適化 ,  貯留層 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 深層学習 ,  灰色関係解析 ,  適応粒子群最適化 ,  長期短期記憶ネットワーク ,  せん断波速度 ,  岩石物理検層

分類 (1件)： 油層工学  (UA10030G)

タイトルに関連する用語 (5件)： 適応 ,  粒子群最適化 ,  リカレントニューラルネットワーク ,  せん断波速度 ,  予測