深層ニューラルネットワークを用いた超深部電磁検層のモデリング【JST・京大機械翻訳】

Alyaev Sergey; Shahriari Mostafa; Pardo David; Omella Angel Javier; Larsen David; Jahani Nazanin; Suter Erich

プレプリント

J-GLOBAL ID：202202211736860975 整理番号：21P0032383

深層ニューラルネットワークを用いた超深部電磁検層のモデリング【JST・京大機械翻訳】

Modeling extra-deep electromagnetic logs using a deep neural network

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年05月18日プレプリントサーバーでの情報更新日： 2021年08月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

現代のジオステアリングは,深い電磁(EM)測定のリアルタイム解釈に大きく依存する。検層位置当たり22の測定値からなる余分な深層EMログの完全集合を再現するために訓練された深層ニューラルネットワーク(DNN)モデルを構築する方法論を提示した。モデルは,異なる抵抗値を有する7層までの1D層状環境で訓練された。ツールベンダーにより提供された商用シミュレータを用いて訓練データセットを生成した。ベンダーによって提供されるシミュレータが逐次実行のために最適化されるので,データセットサイズは制限される。したがって,著者らは,前進モデルによってサポートされた地質規則とジオステーリング仕様を包含する訓練データセットを設計した。このデータセットを用いて,EMツール構成または元のシミュレータソースコードに関する専用情報へのアクセスなしに,DNNに基づくEMシミュレータを生成した。比較的小さな訓練セットサイズを採用するにもかかわらず,得られたDNNフォワードモデルは,考慮した事例に対して非常に正確である:多層合成ケースとGoliatフィールドからの出版された歴史的操作のセクション。検層位置当たり0.15msの観測された平均評価時間は,また,ジオステアリングワークフロー内の評価-ハンガリー統計および/またはモンテカルロ反転アルゴリズムの一部として,将来の使用に適している。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, ,

前のページに戻る