文献

J-GLOBAL ID：202202281086646125   整理番号：22A0397868

相分類における不均衡問題を克服するための拡張データの選択【JST・京大機械翻訳】

Selection of Augmented Data for Overcoming the Imbalance Problem in Facies Classification

著者 (2件)： Kim Dowan (Reservoir Imaging with Seismic and EM Technology. Machine Learning (RISE.ML) Laboratory, Hanyang University, Seoul, South Korea) ,  Byun Joongmoo (Reservoir Imaging with Seismic and EM Technology. Machine Learning (RISE.ML) Laboratory, Hanyang University, Seoul, South Korea)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.8019405.1-5  発行年： 2022年 
JST資料番号： W1397A  ISSN： 1545-598X  CODEN： IGRSBY  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 顔分類は,坑井検層データとコア試料から得られた情報を用いて,岩石タイプと細孔流体の分類に言及する。弾性特性の範囲は,分類モデルの主要な入力を提供する。弾性特性は水飽和,多孔性,頁岩体積に密接に関連している。さらに,インピーダンス反転が行われるならば,同じ弾性特性を表面地震域から得ることができ,したがって,坑井検層と表面地震データをリンクする。機械学習(ML)ベースの相分類は,人間の解釈に関連した主観性を最小化し,時間効率を最大化する利点を有する。しかし,坑井検層データの不足のため,クラス不均衡と絶対データ不足が容易に発生する。したがって,本研究では,坑井ログデータをシミュレートする合成データを強化するために,サイクル一貫した生成敵対ネットワーク(CycleGAN)を使用した。さらに,サイクルGANを用いるとき,どのクラスのデータが必要かを決定し,クラスバランス訓練に用いる拡張データを選択するための基準を提案した。開発したアルゴリズムを,Vincent油田データを用いて検証した。分類結果を改善し,そして,より物理的に有効な予測を,表面地震調査地域において達成した。本研究で開発したデータ増強スキームは,坑井検層データが極めて限られている環境における相分類に有用である。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  インピーダンス ,  頁岩 ,  ネットワーク ,  油田 ,  岩石 ,  地震 ,  多孔性 ,  検層 ,  *坑井 ,  細孔 ,  機械学習
準シソーラス用語： 弾性特性 ,  地震データ ,  クラス不均衡 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 分類 ,  均衡 ,  拡張