Filling the gap: Enhancing borehole imaging with a tensor neural network
Notice bibliographique
Résumé
ABSTRACT Borehole imaging is crucial in geologic research as it offers insights into subsurface formations and supports reservoir assessment, mineral exploration, and hydrocarbon extraction. However, the effectiveness of borehole imaging is limited by the incompleteness of data due to the design constraints of borehole imaging tools. Missing areas in borehole images pose challenges to geologists. Although existing methods, such as pattern filling and convolutional neural network-based techniques, show some efficacy, they often require a large number of complete images for training. In recent years, unsupervised deep-learning and tensor-based methods have gained attention for their ability to reconstruct missing or degraded geologic images by leveraging the structural characteristics of these images. In particular, tensor representations based on Tucker decomposition have shown strong capabilities in data completion. Inspired by this, we develop a novel self-supervised tensor neural network (TNN) using Tucker decomposition as our backbone. Because borehole images are originally in two dimensions, converting them into tensor representations is a critical step in leveraging our tensor representation. To achieve this, we introduce the adaptive boundary-detection cropping with augmentation algorithm, which adapts 2D images into 3D tensors. After interpolating the tensors using our tensor network, we use adaptive slice concatenation with replacement to restore complete images from the enhanced tensors, ensuring that the tensor representation of the 3D data is accurately shown in 2D images. Our TNN can be further enhanced by incorporating a structural regularizer. Actual data experiments demonstrate that our method effectively fills gaps in borehole images with greater clarity and detail. The completed images retain the crucial geologic features and textures, surpassing some of the existing self-supervised learning 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) | 0,000 | 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 ».