钻孔电阻率测量深度学习反演的误差控制与损失函数
地球物理
2020-05-29 v3 机器学习
数值分析
数值分析
摘要
深度学习（DL）是一种逼近函数的数值方法。近来，其使用在包括油气应用中的钻孔测井测量反演在内的计算力学多类问题的模拟与反演中变得颇具吸引力。在此背景下，DL 方法展现出两个关键吸引人的特征：a) 一旦训练完成，它们能在不到一秒的时间内求解一个反问题，这便于钻孔地质导向作业以及其他实时反演应用。b) DL 方法在不同知识领域对高度复杂函数表现出优越的逼近能力。然而，正如大多数数值方法那样，DL 也依赖针对问题特定的专家设计决策，以获得可靠且稳健的结果。在此，我们研究深度神经网络（DNNs）应用于钻孔电阻率测量反演时的两个关键方面：误差控制与损失函数的恰当选择。正如我们通过理论考量与大量数值实验所阐明的，这些相互关联的方面对于恢复准确的反演结果至关重要。
引用
@article{arxiv.2005.08868,
title = {Error Control and Loss Functions for the Deep Learning Inversion of Borehole Resistivity Measurements},
author = {M. Shahriari and D. Pardo and J. A. Rivera and C. Torres-Verdín and A. Picon and J. Del Ser and S. Ossandón and V. M. Calo},
journal= {arXiv preprint arXiv:2005.08868},
year = {2020}
}