[論文レビュー] Facies classification from well logs using an inception convolutional network

Valentin Tschannen, Matthias Delescluse+2 more|arXiv (Cornell University)|Jun 2, 2017

Hydrocarbon exploration and reservoir analysis参考文献 5被引用数 18

ひとこと要約

本稿では、ウェルログのマルチログシーケンスを活用して階層的特徴を学習し、地質的解釈を向上させるために、自動化されたフレーズ分類を実現するインセプション畳み込みニューラルネットワークを提案する。F1スコアが中程度（0.60–0.66）にとどまるが、低解像度のログデータとフレーズ境界の本質的曖昧性による制限がモデル性能を制限しており、熟練者の知識と補完的であるべきであると示唆している。

ABSTRACT

The idea to use automated algorithms to determine geological facies from well logs is not new (see e.g Busch et al. (1987); Rabaute (1998)) but the recent and dramatic increase in research in the field of machine learning makes it a good time to revisit the topic. Following an exercise proposed by Dubois et al. (2007) and Hall (2016) we employ a modern type of deep convolutional network, called extit{inception network} (Szegedy et al., 2015), to tackle the supervised classification task and we discuss the methodological limits of such problem as well as further research opportunities.

研究の動機と目的

• コアサンプルの入力を除き、ウェルログデータのみを用いた深層学習的手法による自動フレーズ分類の開発を目的とする。
• 実世界の地質的分類タスクにおいて、最新の畳み込みネットワーク（インセプションアーキテクチャ）の性能を評価すること。
• データ解像度の制限と主観的な正解ラベルの曖昧性による、フレーズ分類における深層学習の限界を評価すること。
• 未教師ありクラスタリングとハイブリッドデータ統合の可能性を今後の方向性として探ること。
• 機械学習予測と熟練者の解釈を比較し、直接的な競合ではなく補完的役割を強調すること。

提案手法

• ウェルログから抽出した短い深さウィンドウを処理するために、インセプションモジュールアーキテクチャを備えた1次元畳み込みニューラルネットワークを用いる。
• ガンマ線、抵抗率などの複数のログタイプを入力チャネルとして用い、深さ方向に畳み込みフィルタを適用して局所的パターンを検出する。
• プーリング層により空間次元を低減し、全結合層とソフトマックス出力により各フレーズの確率を生成する。
• 訓練用ウェルの地質学者によるラベル付きフレーズシーケンスを用いて、教師あり学習でモデルを訓練する。
• F1スコア、混同行列、熟練者の解釈との視覚的比較を用いて、盲打ちウェルで性能を評価する。
• 9種類のフレーズタイプ（堆積岩と炭酸塩岩を含む）を含むデータセットを用いてテストし、クラス分布の不均衡を考慮する。

実験結果

リサーチクエスチョン

• RQ1 インセプションベースの畳み込みネットワークは、ウェルログデータのみを用いて、効果的に地質的フレーズを分類できるか？
• RQ2 このタスクにおいて、深層学習モデルの性能指標（例：F1スコア）は、従来の機械学習手法と比べてどう異なるか？
• RQ3 ウェルログの解像度の制限とフレーズ境界の曖昧性が、正確な分類を妨げる程度はどの程度か？
• RQ4 なぜ深層学習を用いても、一部のフレーズ（例：CSiSとFSiS）は依然として区別が困難なのか？
• RQ5 機械学習の出力は、どのようにして熟練者の地質的解釈を補完するか、代替するものとしてではなく？

主な発見

• インセプションCNNは、フレーズタイプごとにF1スコア0.60～0.66を達成し、頻度が高いにもかかわらず粗いシルト岩（F1=0.60）よりもドロマタイト（F1=0.66）が優れた性能を示した。
• 粗いシルト岩（CSiS）と細粒シルト岩（FSiS）といった類縁フレーズの区別にモデルが苦労しており、ログからの微細な粒子径差を解像できないという限界を示している。
• 深層学習の期待に反して性能が低かったが、これは訓練データが不足していることや、高解像度のコアデータやソニックログなどの追加ログが存在しないことが主な要因と考えられる。
• 混同行列から、隣接するフレーズが頻繁に誤分類されていることが判明し、フレーズ境界が明確ではなく連続的である可能性を示唆している。
• 人間の解釈は一意ではなく誤りを含むことが判明し、正解ラベルが曖昧で、モデル性能の評価を複雑にしている。
• 著者らは、機械学習の予測結果を熟練者の解釈の代替ではなく、特にコアデータや地震データと組み合わせることで補完的ツールとして活用すべきだと結論づけている。