Sample Quality Evaluation using Reinforcement Learning for Lost Circulation Recognition
Notice bibliographique
Résumé
Summary The quality of the training samples directly determines the performance of intelligent lost circulation recognition models. To mitigate the negative effect of low-quality training samples on lost circulation recognition accuracy, a reinforcement learning (RL)-based sample quality evaluation method, including a fully connected neural network (FCNN) for sample quality evaluation, a randomized trial-based sample selector, and a lost circulation recognition network based on bidirectional gated recurrent unit (Bi-GRU), is proposed. Initially, FCNN uses the Glorot uniform initializer to initialize the network weights, ensuring that each sample has a 50% probability of being selected. Next, the sample selector conducts a randomized trial on each sample using the obtained selection probability to label it as either 0 or 1, and the samples with Label 1 are included in the training set. Then, the lost circulation recognition model based on Bi-GRU is trained and verified using the samples in the training set to produce a recognition accuracy, which is used to calculate a reward value indicating the quality of samples in the training set. The obtained reward value is used to update the loss function of FCNN. Subsequently, the network parameters of FCNN are readjusted by minimizing the loss function using RL to reduce the selection probability of low-quality samples. The above cycle of sample selection, lost circulation recognition based on Bi-GRU, loss function update, and parameter optimization of FCNN network is repeated until the recognition accuracy of the Bi-GRU model ceases to increase. In addition, a reward value calculation method using the exponential moving average (EMA) is introduced, which allows the RL model to be trained more efficiently and stably. Sample quality evaluation experiments with 5,011 lost circulation samples from field data were conducted. The results demonstrate that compared with the Bi-GRU trained using all samples, the recognition accuracy of the Bi-GRU trained after excluding low-quality samples is improved by 22.7%, with its false negative rate (FNR) reduced from 15.8 to 4.7%. The model’s convergence speed is improved by 17.2% using the proposed reward value calculation method.
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 | 0,001 | 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 ».