文献

J-GLOBAL ID：202002279297950770   整理番号：20A2481408

深層学習を用いた掘削パラメータからのガンマ線検層生成【JST・京大機械翻訳】

Gamma ray log generation from drilling parameters using deep learning

著者 (6件)： Osarogiagbon Augustine Uhunoma (Centre for Risk, Integrity, and Safety Engineering (C-RISE), Faculty of Engineering & Applied Science, Memorial University, St. John’s, NL, A1B 3X5, Canada) ,  Osarogiagbon Augustine Uhunoma (Drilling Technology Laboratory (DTL), Faculty of Engineering & Applied Science, Memorial University, St. John’s, NL, A1B 3X5, Canada) ,  Oloruntobi Olalere (Drilling Technology Laboratory (DTL), Faculty of Engineering & Applied Science, Memorial University, St. John’s, NL, A1B 3X5, Canada) ,  Khan Faisal (Centre for Risk, Integrity, and Safety Engineering (C-RISE), Faculty of Engineering & Applied Science, Memorial University, St. John’s, NL, A1B 3X5, Canada) ,  Venkatesan Ramachandran (Centre for Risk, Integrity, and Safety Engineering (C-RISE), Faculty of Engineering & Applied Science, Memorial University, St. John’s, NL, A1B 3X5, Canada) ,  Butt Stephen (Drilling Technology Laboratory (DTL), Faculty of Engineering & Applied Science, Memorial University, St. John’s, NL, A1B 3X5, Canada)
資料名： Journal of Petroleum Science and Engineering  (Journal of Petroleum Science and Engineering)
巻： 195  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： 岩石学的同定は石油貯留層を定義する際に重要な役割を果たす。坑井検層は岩石学的同定のための岩石物理学的データを得る伝統的な手段を代表するが,掘削装置が掘削中に失敗するかもしれない場合,検層が掘削中に失敗する場合がある。本論文は,岩石学的識別子として使用されるγ線検層のリアルタイム予測のための掘削(MWD)と泥検層と測定から得られた掘削パラメータを利用する手法を提示する。本研究では,簡単なリカレントニューラルネットワーク(RNN),長い短期メモリリカレントニューラルネットワーク(LSTM-RNN),時間的畳み込みネットワーク(TCN),ゲート型リカレントユニット(GRU)ネットワーク,外因性入力(NARX)による非線形自己回帰ネットワーク,および簡単な人工ニューラルネットワーク(ANN)のようないくつかの機械学習方法論を,ハイドロメカニカル比エネルギー(掘削パラメータから計算)とγ線ログ間の関係を捉える能力について試験した。Nigerデルタ盆地の三次デルタ系の最近掘削された探査ガス井をケーススタディとして用いた。現場データに基づいて,結果は,TCNと単純なRNNが最良であることを示した。TCNの受容野はその性能に重要な役割を果たし,従って,LSTM-RNNは,もしLSTM-RNNが,各出力データ点に対する入力データ点の最適ウィンドウで動作するために手動で行われるならば,TCN/単純RNNに匹敵するように実行できた。データのサイズと性質(体積,速度,多様性,および真実性)は,機械学習方法論の性能における重要因子である。したがって,機械学習開発フェーズの間,データの最良の受容分野を得ることに焦点を合わせることが推奨される。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： γ線 ,  畳込み ,  岩石学 ,  ネットワーク ,  ニューラルネットワーク ,  掘削装置 ,  岩石 ,  *検層 ,  ガス井 ,  事例研究 ,  石油貯留層 ,  *掘削パラメータ ,  盆地 ,  機械学習
準シソーラス用語： 実時間 , 【Automatic Indexing@JST】

著者キーワード (12件)： 深層学習 ,  掘削中のロギング ,  掘削中の測定 ,  岩石学 ,  掘削パラメータ ,  ガンマ線検層 ,  NARX ,  RNN ,  TCN ,  LSTM ,  GRU ,  ANN

分類 (1件)： 油層工学  (UA10030G)

タイトルに関連する用語 (3件)： 深層学習 ,  掘削パラメータ ,  ガンマ線検層