[論文レビュー] Application of Machine Learning in Rock Facies Classification with Physics-Motivated Feature Augmentation

Jie Chen, Yu Zeng|arXiv (Cornell University)|Aug 29, 2018

Drilling and Well Engineering参考文献 4被引用数 9

ひとこと要約

本稿では、抵抗率と透水率の比（ILD_log10 / PHIND_log10）という物理的背景に基づく特徴量拡張手法を提案し、鉱物断面分類における機械学習性能を向上させることを目的としている。アーキーの式から得られる分野知識を特徴工学に組み込むことで、同一のハイパーパrameterとデータ分割を用いたSVMを用いた場合、最先端ベンチマーク比でF1スコアが約5%向上し、SEG 2016コンテストデータセットで0.61に達する。

ABSTRACT

With recent progress in algorithms and the availability of massive amounts of computation power, application of machine learning techniques is becoming a hot topic in the oil and gas industry. One of the most promising aspects to apply machine learning to the upstream field is the rock facies classification in reservoir characterization, which is crucial in determining the net pay thickness of reservoirs, thus a definitive factor in drilling decision making process. For complex machine learning tasks like facies classification, feature engineering is often critical. This paper shows the inclusion of physics-motivated feature interaction in feature augmentation can further improve the capability of machine learning in rock facies classification. We demonstrate this approach with the SEG 2016 machine learning contest dataset and the top winning algorithms. The improvement is roboust and can be $\sim5\%$ better than current existing best F-1 score, where F-1 is an evaluation metric used to quantify average prediction accuracy.

研究の動機と目的

• 分野固有の物理的関係を特徴工学に統合することで、鉱物断面分類における機械学習性能を向上させること。
• ウェルログ測定値から導出される物理的インスパイラブル特徴量が、標準的な特徴工学を上回るモデルの一般化性能を向上させることを調査すること。
• 地球物理学的原則に基づいた人間主導の特徴設計が、データ駆動型アプローチを上回ることを示し、データが少ない状況下で優れた性能を発揮することを示すこと。
• 提案された特徴拡張の堅牢性を、異なるランダムシード、データ分割、モデル設定の下で検証すること。
• 限られたウェルログデータを用いた蓄積体特徴評価における、スケーラブルで解釈可能な手法を提供すること。

提案手法

• 著者らは、アーキーの式に基づく抵抗率と透水率の関係を想起させ、log10抵抗率（ILD_log10）とlog10透水率（PHIND_log10）の比を新たな特徴量として導入した。
• SEG 2016機械学習コンテストデータセットに含まれる元の7つのウェルログ特徴量（GR、ILD_log10、DeltaCL、PHIND_log10、PAC、PE、および深さ）に加えて、この特徴量を追加した。
• 拡張された特徴量セットを、コンテストで最良のスコアを記録したソリューションと同一のハイパーパrameterとデータ分割を用いたサポートベクターマシン（SVM）分類器の入力として使用した。
• モデルの評価は、ウェルSHANKLEのブラインドテストセットを用い、主な指標としてF1スコアを用い、ベンチマークのF1スコア（0.58）と比較した。
• 堅牢性の検証には7分割交差検証、複数のランダムシード、および元のSEGチュートリアルワークフローに特徴量を追加した再評価を実施した。
• 混同行列と予測された断面と真の断面の可視的比較を用いて、断面クラスごとの分類精度の向上を定性的に評価した。

実験結果

リサーチクエスチョン

• RQ1 地球物理学的原則に基づく物理的インスパイラブル特徴量の導入が、鉱物断面分類における機械学習性能を向上させることができるか？
• RQ2 特にアーキーの式に基づく分野知識を活用した特徴工学が、データが少ない状況下で、純粋にデータ駆動型の特徴選択を上回る程度はどの程度か？
• RQ3 物理的インスパイラブル特徴拡張による性能向上が、異なるランダムシード、データ分割、モデル設定の下でも一貫して得られるか？
• RQ4 どの断面クラスが新しい特徴量によって最も恩恵を受けており、どの場合にモデルは依然として困難を抱えているか？
• RQ5 物理的関係を特徴工学に統合することで、海成シルトストンと泥岩といった地質的に類似した断面間の誤分類を低減できるか？

主な発見

• 物理的インスパイラブル特徴量（ILD_log10 / PHIND_log10）の追加により、ブラインドテストセットでのF1スコアが0.58から0.61に上昇し、ベンチマーク比で約5%の相対的向上が達成された。
• 複数のランダムシードで確認したところ、F1スコアの向上は2%から7%の間で一貫しており、堅牢性が確認された。
• 7分割交差検証により、1つのウェルをテスト用に除外した場合でも、F1スコアが一貫して約5%向上することが確認され、データ分割にわたる一般化性能が裏付けられた。
• 元のSEGチュートリアルワークフロー（SVM、同一のデータ分割）を再評価した結果、F1スコアは0.43から0.44に上昇し、2.3%の向上が確認され、本手法の有効性が最小限のモデル変更でも成立することが裏付けられた。
• 混同行列の分析から、非対角成分の誤差が減少し、対角成分の集中度が向上しており、分類精度の向上と、特に類似断面間の誤分類の低減が示された。
• 一部の向上が見られたものの、依然として断面4（海成シルトストンおよび頁岩）と断面5（泥岩）の区別に困難を抱えており、追加の物理的測定値やディープラーニング戦略の導入が今後の課題である。