A seismic petrophysical classification study of the 2-D SEAM model using semisupervised techniques and detrended attributes
Notice bibliographique
Résumé
SUMMARY For many machine learning problems, there are sufficient data to train a wide range of algorithms. However, many geoscience applications are challenged with limited training data. Seismic petrophysical classification, mapping seismic data to litho-fluid classes, is one of these examples because the training data labels are based on data gathered from wells. Supervised machine learning algorithms are prone to overfitting in scarce training data situations, but semisupervised approaches are designed for these problems because the unlabelled data are also used to inform the learning process. We adopt label propagation (LP) and self-training methods to solve this problem, because they are semisupervised methods that are conceptually simple and easy to implement. The supervised method we consider for comparison is the popular extreme gradient boosting (XGBoost) classifier. The data set we use for our study is one we generate ourselves from the SEG Advanced Modelling (SEAM) Phase 1 model. We first synthesize seismic data from this model and then perform pre-stack seismic inversion to recover seismic attributes. We formulate a classification problem using the seismic attributes as unlabelled data, with training labels from a single well. The benefit of this being a synthetic problem is that we have full control and the ability to quantitatively assess the machine learning predictions. Our initial results reveal that the inherent depth-dependent background trends of the input attributes produce artefacts in each of the machine learning predictions. We address this problem by using a simple median filter to remove these background trends. The predictions using the detrended inputs improve the performance for all three algorithms, in some cases on the order of 10 to 20 per cent. XGBoost and LP perform similarly in some situations, but our results indicate that XGBoost is rather unstable depending on the attributes used. However, LP coupled with self-training outperforms XGBoost by up to 10 per cent in some instances. Through this synthetic study, our results support the premise that semisupervised algorithms can provide more robust, generalized predictions than supervised techniques in minimal training data scenarios.
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) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».