基于集成生成对抗网络的井下日志异常检测增强
地球物理
2024-12-02 v1 人工智能
机器学习
摘要
虽然生成对抗网络（GAN）在建模图像数据分布方面取得了显著成功，但其应用于结构化或表格数据（如井下日志）仍相对不足。本研究将集成生成对抗网络（Ensemble GANs, EGANs）框架扩展到捕获井下日志数据分布，并检测超出这些分布的异常值。该方法将传统方法（如高斯混合模型，GMM）与 EGANs 在检测超出预期数据分布的异常方面进行比较。对于伽马射线（GR）数据集，EGANs 实现的精确率为 0.62，F1 分数为 0.76，显著优于 GMM 的精确率 0.38 和 F1 分数 0.54。对于旅行时间（DT）数据集，EGANs 实现的精确率为 0.70，F1 分数为 0.79，超越 GMM 0.56 和 0.71。在中子孔隙度（NPHI）数据集上，EGANs 记录的精确率为 0.53，F1 分数为 0.68，优于 GMM 0.47 和 0.61。对于体积密度（RHOB）数据集，EGANs 实现的精确率为 0.52，F1 分数为 0.67，略胜于 GMM，后者的精确率为 0.50，F1 分数为 0.65。本工作的新颖之处在于将 EGANs 应用于井下日志数据分析，展示了其学习数据模式并识别偏离这些模式的异常的能力。该方法相较于传统方法（如 GMM）提供了更可靠的异常检测。我们的发现凸显了 EGANs 在提升井下日志异常检测方面的潜力，为通过更准确的数据驱动洞察优化钻井策略和储层管理提供了重要意义。
引用
@article{arxiv.2411.19875,
title = {Enhanced anomaly detection in well log data through the application of ensemble GANs},
author = {Abdulrahman Al-Fakih and A. Koeshidayatullah and Tapan Mukerji and SanLinn I. Kaka},
journal= {arXiv preprint arXiv:2411.19875},
year = {2024}
}