[論文レビュー] Modeling extra-deep EM logs using a deep neural network

Sergey Alyaev, Mostafa Shahriari+5 more|arXiv (Cornell University)|May 18, 2020

Geophysical and Geoelectrical Methods参考文献 17被引用数 7

ひとこと要約

本論文では、商業用シミュレータを用いて1次元の層状地質モデル上で学習された、22測定値/ログ位置を有する超深掘削電磁（EM）ログを正確に再現する深層ニューラルネットワーク（DNN）モデルを提案する。シミュレータの逐次実行による制限により訓練データが限られるが、DNNは高い精度を達成し、1位置あたり0.15 msで実行可能であり、特許取得済みのツール詳細にアクセスせずにリアルタイムのジオステアリングおよびモンテカルロ逆問題解法が可能となる。

ABSTRACT

Modern geosteering is heavily dependent on real-time interpretation of deep electromagnetic (EM) measurements. This work presents a deep neural network (DNN) model trained to reproduce the full set of extra-deep real-time EM logs consisting of 22 measurements per logging position. The model is trained in a 1D layered environment and has sensitivity for up to seven layers with different resistivity values. A commercial simulator provided by a tool vendor is utilized to generate a training dataset. The impossibility of parallel execution of the simulator effectively limits the permissible dataset size. Therefore, the geological rules and geosteering specifics supported by the forward model are embraced when designing the dataset. It is then used to produce a fully parallel EM simulator based on a DNN without access to the proprietary information about the EM tool configuration or the original simulator source code. Despite a relatively small training set size, the resulting DNN forward model is quite accurate for synthetic geosteering cases, yet independent of the logging instrument vendor. The observed average evaluation time of 0.15 milliseconds per logging position makes it also suitable for future use as part of evaluation-hungry statistical and/or Monte-Carlo inversion algorithms.

研究の動機と目的

• リアルタイムのジオステアリングに使用される超深掘削EMログのための高速で正確かつベンダー非依存のフォワードモデルを開発すること。
• 商業用EMシミュレータの逐次実行による制限を克服するため、制限されたが地質的に代表的なデータセット上でDNNを学習すること。
• モンテカルロ法などの評価が重い逆問題ワークフローにDNNモデルを活用できること。
• 元のシミュレータのソースコードにアクセスできない状況でも、地質的およびジオステアリング固有の物理的制約を合成訓練データに組み込むこと。
• ドメイン特化した地質的ルールをデータ生成プロセスに組み込むことで、比較的小さな訓練データセットでも高い予測精度を達成すること。

提案手法

• 深部の地層に感応するよう、最大7層の抵抗率層を有する1次元の層状地球モデルを用いて訓練データを生成した。
• ツールベンダーが提供する商業用EMシミュレータを用いて合成EMログを生成し、現実的なジオステアリング条件を反映させるために地質的ルールをデータセットに埋め込んだ。
• DNNを、入力となる抵抗率層構成から1ログ位置あたりの全22測定値へのマッピングを学習するように訓練した。
• モデルは完全に並列化可能であり、訓練データが限られても高速な推論が可能である。
• 元のシミュレータのソースコードやEMツールの設定詳細にアクセスせずに、DNNフォワードモデルを訓練した。
• 最終的なモデルは、合成ジオステアリングテストケースにおける精度と推論速度の両面で評価された。

実験結果

リサーチクエスチョン

• RQ1 限られたデータセットを用いて、1ログ位置あたり22測定値を有する超深掘削EMログを正確に再現できるDNNを訓練できるか？
• RQ2 ソースコードやツール設定にアクセスできない状況でも、商業用EMシミュレータの挙動をどの程度正確に再現できるか？
• RQ3 リアルタイムのジオステアリングおよび逆問題応用において、DNNの推論速度と精度はどの程度の性能を示すか？
• RQ4 地質的およびジオステアリング固有の制約を訓練データに効果的に組み込むことで、モデルの一般化性能を向上させられるか？
• RQ5 高速な推論時間を有するため、モンテカルロ法や統計的逆問題ワークフローに適したDNNモデルと見なせるか？

主な発見

• 比較的小さな訓練データセットにもかかわらず、合成ジオステアリングシナリオ全体にわたり、DNNモデルは超深掘削EMログの再現において高い精度を達成した。
• 1ログ位置あたり平均0.15ミリ秒の推論時間であり、リアルタイムおよび評価が重い逆問題アルゴリズムに適している。
• 特許取得済みのシミュレータのソースコードやツール設定詳細にアクセスしないため、ログ取得ツールベンダーに依存しない。
• 訓練データ生成プロセスに地質的ルールを統合することで、モデルの忠実性と一般化性能が顕著に向上した。
• 1次元層状モデルの制約内ではあるが、DNNフォワードモデルは商業用シミュレータの物理的挙動をうまく再現した。
• 高速な推論速度と高い精度のおかげで、統計的逆問題ワークフローにおける効率的な活用が可能になった。