Seismic facies analysis based on deep convolutional embedded clustering
Notice bibliographique
Résumé
ABSTRACT Seismic facies classification takes a two-step approach: attribute extraction and seismic facies analysis by using clustering algorithms, sequentially. In general, it is clear that the choice of feature extraction is critical for successful seismic facies analysis. However, the choice of features is customarily determined by the seismic interpreters, and so the clustering result is affected by the difference in the seismic interpreters’ experience levels. It becomes challenging to extract features and identify seismic facies simultaneously. We have introduced deep convolutional embedded clustering (DCEC), which aims to simultaneously learn feature representations and cluster assignments by using deep neural networks. Our method learns mapping from the data space to a lower dimensional feature space in which it iteratively optimizes a clustering objective by building a specific loss function. We apply the method to the Modified National Institute of Standards and Technology (MNIST) data, geophysical model data, and field seismic data. In the MNIST data, the DCEC method shows better latent space of clustering results than traditional clustering methods. In the geophysical model data, the accuracy of waveform classification based on DCEC method is higher than traditional clustering methods. The results from the seismic data demonstrate that selection of input data and method has an important effect on the clustering result. In addition, our method is helpful for improving the resolution of seismic facies edges and offers the richer depositional information than the traditional clustering methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».