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
赘婿应助执着的星星采纳,获得10
刚刚
苦哈哈发布了新的文献求助10
刚刚
达进发布了新的文献求助10
刚刚
Wendy含完成签到,获得积分10
1秒前
1秒前
2秒前
2秒前
酷炫小懒虫完成签到,获得积分10
2秒前
宁灭龙完成签到,获得积分10
3秒前
3秒前
kittypapillon完成签到,获得积分10
3秒前
赵依梦完成签到,获得积分10
5秒前
dawei发布了新的文献求助10
6秒前
qqm发布了新的文献求助10
7秒前
8秒前
LXZ发布了新的文献求助10
8秒前
闪电猫酱发布了新的文献求助30
8秒前
8秒前
9秒前
852应助TN采纳,获得10
9秒前
KX2024完成签到,获得积分10
9秒前
11秒前
12秒前
12秒前
华仔应助wil采纳,获得10
13秒前
13秒前
ccciii发布了新的文献求助10
15秒前
朱逸梦发布了新的文献求助10
15秒前
嘻嘻嘻发布了新的文献求助10
15秒前
Wang发布了新的文献求助10
15秒前
啊哈哈哈发布了新的文献求助10
16秒前
阿杜阿杜发布了新的文献求助30
17秒前
ding应助Abbysteven采纳,获得30
18秒前
星辰大海应助赵123采纳,获得10
18秒前
turbohuan完成签到,获得积分10
18秒前
18秒前
19秒前
霁星河完成签到,获得积分10
19秒前
别说话完成签到,获得积分10
19秒前
复杂千雁发布了新的文献求助10
20秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
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 3135818
求助须知:如何正确求助?哪些是违规求助? 2786651
关于积分的说明 7778773
捐赠科研通 2442821
什么是DOI,文献DOI怎么找? 1298711
科研通“疑难数据库(出版商)”最低求助积分说明 625212
版权声明 600866