Enhanced anomaly detection in well log data through the application of ensemble GANs

要約

敵対的生成ネットワーク (GAN) は、画像データセットのデータ分布のモデリングにおいて大きな成功を収めていますが、坑井の丸太などの構造化データまたは表形式データへの応用については、まだ比較的研究が進んでいません。
この研究では、アンサンブル GAN (EGAN) フレームワークを拡張して、坑井ログ データの分布を取得し、これらの分布から外れる異常を検出します。
提案されたアプローチは、予想されるデータ分布の外側の異常を検出する際に、混合ガウス モデル (GMM) などの従来の方法のパフォーマンスを EGAN と比較します。
ガンマ線 (GR) データセットの場合、EGAN は精度 0.62 および F1 スコア 0.76 を達成し、GMM の精度 0.38 および F1 スコア 0.54 を上回りました。
同様に、移動時間 (DT) については、EGAN は精度 0.70、F1 スコア 0.79 を達成し、GMM の 0.56 および 0.71 を上回りました。
中性子空隙率 (NPHI) データセットでは、EGAN は 0.53 の精度と 0.68 の F1 スコアを記録し、GMM の 0.47 および 0.61 を上回りました。
かさ密度 (RHOB) データセットの場合、EGAN は精度 0.52 および F1 スコア 0.67 を達成し、精度 0.50 および F1 スコア 0.65 をもたらした GMM をわずかに上回りました。
この研究の新規性は、坑井ログデータ分析に EGAN を適用し、データパターンを学習し、そこから逸脱する異常を特定する能力を実証していることにあります。
このアプローチは、GMM などの従来の方法と比較して、より信頼性の高い異常検出を提供します。
この調査結果は、坑井ログデータの異常検出を強化する EGAN の可能性を浮き彫りにし、地下の特性評価に対するより正確なデータ駆動型の洞察を通じて掘削戦略と貯留層管理の最適化に重要な意味をもたらします。

要約(オリジナル)

Although generative adversarial networks (GANs) have shown significant success in modeling data distributions for image datasets, their application to structured or tabular data, such as well logs, remains relatively underexplored. This study extends the ensemble GANs (EGANs) framework to capture the distribution of well log data and detect anomalies that fall outside of these distributions. The proposed approach compares the performance of traditional methods, such as Gaussian mixture models (GMMs), with EGANs in detecting anomalies outside the expected data distributions. For the gamma ray (GR) dataset, EGANs achieved a precision of 0.62 and F1 score of 0.76, outperforming GMM’s precision of 0.38 and F1 score of 0.54. Similarly, for travel time (DT), EGANs achieved a precision of 0.70 and F1 score of 0.79, surpassing GMM 0.56 and 0.71. In the neutron porosity (NPHI) dataset, EGANs recorded a precision of 0.53 and F1 score of 0.68, outshining GMM 0.47 and 0.61. For the bulk density (RHOB) dataset, EGANs achieved a precision of 0.52 and an F1 score of 0.67, slightly outperforming GMM, which yielded a precision of 0.50 and an F1 score of 0.65. This work’s novelty lies in applying EGANs for well log data analysis, showcasing their ability to learn data patterns and identify anomalies that deviate from them. This approach offers more reliable anomaly detection compared to traditional methods like GMM. The findings highlight the potential of EGANs in enhancing anomaly detection for well log data, delivering significant implications for optimizing drilling strategies and reservoir management through more accurate, data-driven insights into subsurface characterization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google