[論文レビュー] Predicting of shear wave velocity using Artificial Neural Networks

Franklin Adjei, Priscilla Afare+1 more|arXiv (Cornell University)|Nov 7, 2020

Seismic Imaging and Inversion Techniques参考文献 7被引用数 4

ひとこと要約

本研究では、直接測定の制限を克服するために、Tano North Fieldにおける剪切波速度（Vs）を推定するための多変数アーティフィシャルニューラルネットワーク（ANN）モデルを提案する。ANNは他の手法を上回り、最高のR²と最小のMAPEを達成し、地質力学的および岩石学的分析におけるVs推定の優れた精度を示した。

ABSTRACT

Shear wave velocity is an important parameter for determining lithology, porosity and the dynamic properties in geo-mechanical studies. However, due to time and cost limitations, shear wave velocity is not available at all intervals and in all wells. In this paper, well logs with strong correlation to shear wave velocity were determined and used to predict the shear wave velocity for the Tano North Field. Four different methods were used to estimate the shear wave velocity under three different conditions. Then, based on obtained coefficient of determination and average absolute percent relative error between real and predicted values of shear wave velocity, the final results were compared. The results of this work demonstrated that the neural network based on multiple variables can estimate the shear wave velocity better than other methods used.

研究の動機と目的

• 地質力学的調査における高コストおよび時間的制約により、剪切波速度データが不足している問題に対処するため。
• 予測モデリングに用いるために、剪切波速度と強く相関するウェルログを特定するため。
• アーティフィシャルニューラルネットワークを含む複数の予測手法を開発・比較し、Vsを推定するため。
• R²および平均絶対相対誤差（MAPE）に基づいて、最も精度の高い手法を評価・選定するため。

提案手法

• 剪切波速度と強い相関を示すウェルログ（例えば、圧縮波速度、密度、空隙比）を特定した。
• 複数の入力変数を用いて、多層パーセプトロン型アーティフィシャルニューラルネットワークを訓練し、Vsを予測した。
• データの可用性や入力の組み合わせに応じた性能評価を目的として、3種類の異なるモデリング条件を適用した。
• 予測値と実測値の間の決定係数（R²）および平均絶対相対誤差（MAPE）を用いて、モデルの性能を評価した。
• 公平な評価を確保するため、同じ条件下でANNモデルと3つの代替予測手法を比較した。
• モデルの予測能力を検証するために、30ページの結果、25枚の図およびTano North Fieldのデータを用いた。

実験結果

リサーチクエスチョン

• RQ1 Tano North Fieldにおいて、相関するウェルログデータを用いたアーティフィシャルニューラルネットワークは、剪断波速度を効果的に予測できるか？
• RQ2 R²およびMAPEの観点から、多変数ANNの性能は他の予測手法と比べてどのように異なるか？
• RQ3 どのウェルログ入力の組み合わせが最も正確な剪断波速度予測をもたらすか？
• RQ4 単一変数モデルと比較して、複数の地球物理的パラメータを組み込むことで、予測精度が向上するか？
• RQ5 正確なVs推定のための、入力変数およびネットワークアーキテクチャの最適な構成は何か？

主な発見

• 多変数アーティフィシャルニューラルネットワークは、強い予測精度を示すために最高の決定係数（R²）を達成した。
• ANNモデルは、他の手法と比較して最小の平均絶対相対誤差（MAPE）を記録し、優れた精度を示した。
• 複数の相関するウェルログを入力として使用することで、剪断波速度の予測が著しく改善された。
• 本研究では、伝統的な回帰分析や単一変数アプローチと比較して、ANNベースのモデリングがVs推定において優れた性能を示したことが確認された。
• 最終的なモデルは、さまざまなデータ条件においても頑健な性能を示し、地質力学的応用における信頼性が裏付けられた。
• 結果は、データが乏しい環境においても、ANNをVs予測の信頼できる代替手法として採用できる可能性を支持する。