文献

J-GLOBAL ID：202202291550937546   整理番号：22A0155920

オートエンコーダベース畳込みニューラルネットワークを用いた低分解能多孔質媒体画像の透過性予測【JST・京大機械翻訳】

Permeability prediction of low-resolution porous media images using autoencoder-based convolutional neural network

著者 (9件)： Zhang HouLin (CAS Key Laboratory of Mechanical Behavior and Design of Materials, Department of Modern Mechanics, CAS Center for Excellence in Complex System Mechanics, University of Science and Technology of China, Hefei, 230027, China) ,  Yu Hao (CAS Key Laboratory of Mechanical Behavior and Design of Materials, Department of Modern Mechanics, CAS Center for Excellence in Complex System Mechanics, University of Science and Technology of China, Hefei, 230027, China) ,  Yuan XinHeng (CAS Key Laboratory of Mechanical Behavior and Design of Materials, Department of Modern Mechanics, CAS Center for Excellence in Complex System Mechanics, University of Science and Technology of China, Hefei, 230027, China) ,  Xu HengYu (CAS Key Laboratory of Mechanical Behavior and Design of Materials, Department of Modern Mechanics, CAS Center for Excellence in Complex System Mechanics, University of Science and Technology of China, Hefei, 230027, China) ,  Micheal Marembo (CAS Key Laboratory of Mechanical Behavior and Design of Materials, Department of Modern Mechanics, CAS Center for Excellence in Complex System Mechanics, University of Science and Technology of China, Hefei, 230027, China) ,  Zhang JiaNing (CAS Key Laboratory of Mechanical Behavior and Design of Materials, Department of Modern Mechanics, CAS Center for Excellence in Complex System Mechanics, University of Science and Technology of China, Hefei, 230027, China) ,  Shu HongLin (Petrochina Zhejiang Oilfield Company, China) ,  Wang GaoCheng (Petrochina Zhejiang Oilfield Company, China) ,  Wu HengAn (CAS Key Laboratory of Mechanical Behavior and Design of Materials, Department of Modern Mechanics, CAS Center for Excellence in Complex System Mechanics, University of Science and Technology of China, Hefei, 230027, China)
資料名： Journal of Petroleum Science and Engineering  (Journal of Petroleum Science and Engineering)
巻： 208  号： PC  ページ： Null  発行年： 2022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： 数値的アプローチからの多孔質媒体の透過性予測は,より経済的で効率的な利点を有する実験的測定のための重要な補足である。しかし,従来の数値手法の精度と信頼性は,多孔質媒質の高解像度画像に強く依存しており,工学的応用の実用化を大きく制限する。ここでは,低解像度画像からの多孔質媒体の透過性を予測するために,半教師つき機械学習法を提案した。このアプローチは,高分解能特徴に対する低解像度多孔質体のマッピングを提供することによって,予測におけるバックボーン畳込みニューラルネットワーク(CNN)を支援するために,ラベルなしデータで訓練されたオートエンコーダ(AE)モジュールから成る。少量のラベル付きデータで訓練されたCNNからの低解像度情報と,大量のラベル無しデータで訓練されたAEからの高分解能情報を,この方式において包括的に考察した。低解像度画像からのAE-CNNの予測性能を,CNNと格子Boltzmann法(LBM)の従来のアプローチから,平均二乗誤差(MSE)とR-Squared(R2)計算による結果に対して調べた。5倍交差検証法を用いて,AE-CNNによる試験データセットのR2の平均値は,AEなしの従来のCNNの0.869と比較して,0.896であった。AE-CNNのMSEsは,訓練と試験データセットでそれぞれ0.022と0.064であり,一方,AE無しでは,CNNのみのMSEsは訓練と試験データセットでそれぞれ0.034と0.083であり,AEモジュールは多孔質媒体の低解像度画像からの予測性能を実質的に改良できることを意味する。LBMアプローチのシミュレーション結果に関しては,その予測信頼性(平均R2:0.42,MSE:0.37および0.36)は,低解像度画像のぼけ境界における巨大な数値誤差のため,CNNベースの機械学習アルゴリズムのものより非常に低い。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： シミュレーション ,  信頼性 ,  多孔性 ,  媒質 ,  多孔質体 ,  高分解能 ,  *機械学習 ,  学習アルゴリズム ,  交差検証法
準シソーラス用語： 平均二乗誤差 ,  透過性 ,  格子Boltzmann法 ,  多孔質媒体 ,  *畳込みニューラルネットワーク ,  *自己符号化器 , 【Automatic Indexing@JST】

著者キーワード (5件)： 浸透率予測 ,  低分解能多孔質媒体 ,  機械学習 ,  畳込みニューラルネットワーク ,  オートエンコーダ

分類 (1件)： 油層工学  (UA10030G)

タイトルに関連する用語 (6件)： オートエンコーダ ,  畳込みニューラルネットワーク ,  低分解能 ,  多孔質媒体 ,  透過性 ,  予測