Physics-driven Deep Learning Pixel-Based Inversion of Logging-While-Drilling in Anisotropic Formation

反演(地质) 计算机科学 最大值和最小值 随钻测井 人工神经网络 深度学习 非线性系统 稳健性(进化) 人工智能 大地电磁法 各向异性 算法 钻探 物理 地质学 电阻率和电导率 地震学 光学 工程类 数学 电气工程 生物化学 数学分析 基因 机械工程 化学 构造学 量子力学
作者
Ning Zhao,Ning Li,Zhenggang Xiao,Xuben Wang,Ce Qin
出处
期刊:IEEE Transactions on Geoscience and Remote Sensing [Institute of Electrical and Electronics Engineers]
卷期号:: 1-1
标识
DOI:10.1109/tgrs.2024.3355463
摘要

The inversion of logging-while-drilling (LWD) measurements using deep learning (data-driven approach) is a rapidly growing topic of interest in well geosteering. Deep learning (DL) inversion constructs a complex nonlinear mapping from data to model and has extremely high inversion efficiency. A purely data-driven approach requires large amounts of representative training samples from both the model and data spaces to build robust networks, which may not conform to the physical constraints of the problem. The lack of physical knowledge can limit the effectiveness of DL networks when applied to new scenarios. The regularization inversion (physics-driven approach) is a very efficient local optimization technique but is prone to be trapped into local minima, and the inversion results cannot be obtained in real-time. We propose a coupled physics-driven and data-driven approach to address this issue and construct a DL workflow. A 2.5D model including dip, fault, and anisotropic formation is considered to evaluate the proposed method. Comparing the inversion imaging performance of the proposed physics-driven approach with the traditional residual network (ResNet) shows a significant improvement in the accuracy of the reconstructed resistivity model. Finally, the robustness is evaluated by adding a noise generalization network.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
dadada发布了新的文献求助10
1秒前
123木头人完成签到,获得积分10
4秒前
8秒前
李爱国应助dadada采纳,获得10
11秒前
999z发布了新的文献求助10
13秒前
花花发布了新的文献求助10
13秒前
15秒前
月亮完成签到 ,获得积分10
16秒前
16秒前
小胖完成签到,获得积分10
18秒前
20秒前
蓝山完成签到,获得积分10
22秒前
fei完成签到 ,获得积分10
23秒前
活力的泥猴桃完成签到 ,获得积分10
25秒前
25秒前
大个应助如意枫叶采纳,获得10
27秒前
weerfi完成签到,获得积分20
30秒前
33秒前
思源应助小熊维尼采纳,获得10
33秒前
孟韩完成签到,获得积分10
34秒前
沉静小蚂蚁完成签到,获得积分10
35秒前
Serena510完成签到 ,获得积分10
35秒前
Tao完成签到,获得积分10
36秒前
Docyongsun完成签到,获得积分10
36秒前
agility完成签到,获得积分10
36秒前
健康的青槐完成签到 ,获得积分10
36秒前
科科关注了科研通微信公众号
39秒前
40秒前
41秒前
如意枫叶发布了新的文献求助10
44秒前
Jasper应助冷酷的雁菡采纳,获得10
44秒前
YC_Kao完成签到,获得积分10
45秒前
46秒前
47秒前
兴奋的胡桃完成签到 ,获得积分10
48秒前
云风完成签到,获得积分20
49秒前
Dreamer完成签到,获得积分10
49秒前
50秒前
RBE小陈完成签到 ,获得积分10
51秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
Pharmacogenomics: Applications to Patient Care, Third Edition 800
A Dissection Guide & Atlas to the Rabbit 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3082501
求助须知:如何正确求助?哪些是违规求助? 2735655
关于积分的说明 7538441
捐赠科研通 2385263
什么是DOI,文献DOI怎么找? 1264761
科研通“疑难数据库(出版商)”最低求助积分说明 612786
版权声明 597665