文献

J-GLOBAL ID：202202235595910470   整理番号：22A1117108

機械学習技術を用いた坑井検層データからの岩石学予測:インド東部,Talcher炭田からの事例研究【JST・京大機械翻訳】

Lithology prediction from well log data using machine learning techniques: A case study from Talcher coalfield, Eastern India

著者 (3件)： Kumar Thinesh (Central Mine Planning and Design Institute Limited (A Subsidary of Coal India Limited), Ranchi, Jharkhand 834008, India) ,  Seelam Naresh Kumar (Central Mine Planning and Design Institute Limited (A Subsidary of Coal India Limited), Ranchi, Jharkhand 834008, India) ,  Rao G. Srinivasa (Department of Applied Geophysics, IIT (ISM) Dhanbad, Jharkhand 826004, India)
資料名： Journal of Applied Geophysics  (Journal of Applied Geophysics)
巻： 199  ページ： Null  発行年： 2022年 
JST資料番号： B0089B  ISSN： 0926-9851  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： インドのシナリオにおける石炭探査は,炭層内の多くの炭素含有量と汚れ帯のために困難である。そのような条件における地球物理学的検層データの手動解釈は,坑井検層信号の非線形挙動のため,時間がかかり,退屈である。本論文は,地球物理学的検層からそのような帯状炭層を慎重に解釈するために,サポートベクトルマシン(SVM),決定木(DT),ランダムフォレスト(RF),マルチライヤーパーセプトロン(MLP),および極端勾配ブースティング技術(XGBoost)のような教師つき機械学習技術を適用することを意図する。インドのシナリオにおける上記の5つのML技術の有効性を調べるために,インド東部のTalcher炭田で掘削された4つのボアホールからのγ線,密度,および抵抗率ログを考察した。MLモデル訓練結果は,すべての予測モデルが炭素質と非石炭岩相の分類において88%以上の精度スコアをスコアリングすることを示した。異なるMLモデルの受信者動作特性(ROC)曲線は,曲線(AUC)下の得られた領域が,すべての岩石タイプに対して正で,主対角線より上にあることを示唆する。また,適切なハイパーパラメータを持つ最終MLモデルを,近くの掘削井に適用し,出力を地質コアデータに対して検証した。すべてのMLモデルは,すべての3つの試験井戸において80%以上の総合精度スコアを獲得し,ML技術がインドシナリオにおける帯状炭層問題を扱うための潜在的解決策であることが分かる。Copyright 2022 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 ,  石炭 ,  *岩石 ,  *検層 ,  炭層 ,  モデル ,  ボアホール ,  *事例研究 ,  地質 ,  *炭田 ,  *機械学習 ,  予測モデル ,  サポートベクトルマシン
準シソーラス用語： ブースティング ,  ランダムフォレスト , 【Automatic Indexing@JST】

著者キーワード (4件)： 機械学習 ,  坑井検層 ,  岩石学的分類 ,  石炭探査

分類 (3件)： 鉱山評価  (UA02030P) ,  油層工学  (UA10030G) ,  石炭及びコークスの性質,組成,分析,試験  (YE04030T)

タイトルに関連する用語 (7件)： 機械学習技術 ,  坑井検層 ,  岩石学 ,  予測 ,  インド ,  炭田 ,  研究