JP2020534456A5 - - Google Patents

Description

さらにまた、請求された実施が、少なくとも以下のものに適用可能であると見なされる：コンピュータにより実施される方法；コンピュータにより読み出し可能な命令を、コンピュータにより実施される該方法を実行するために格納するコンピュータにより読み出し可能な非一時的媒体；及び、コンピュータにより読み出し可能な非一時的な媒体に格納された該命令及びコンピュータにより実施される該方法を実行するように構成されたハードウェアプロセッサに相互に動作可能に結合されたコンピュータメモリを備えるコンピュータシステム。
形態１
アーティファクトを除去すると共に所望の目標出力に関連付けられた情報を回復するために、受信した画像データを改善して、画像処理を用いて、改善された画像データを生成するステップと；
セグメント化された画像データを生成するために、特定の画像ベースの基準に関して前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行するステップと；
前処理されたデータとしてニューラルネットワークへの入力のために、補助データ及び使用可能なセグメント化された画像データを前処理するステップと；
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割するステップと；
前記前処理されたデータを処理するためにニューラルネットワークアーキテクチャを特定するステップと；
前記前処理されたデータを用いて、該特定されたニューラルネットワークアーキテクチャを実行するステップと；
後処理されたデータとして前記特定されたニューラルネットワークの出力を後処理するステップと；
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較するステップと；を備える
コンピュータにより実施される方法。
形態２
画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び１又は複数の石油物理的特性に基づいており、前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変わり、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
形態１に記載の方法。
形態３
前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するステップを更に備える、
形態１に記載の方法。
形態４
前記受信した使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づくパーセンテージに従って、学習、検証、及びテストの前記データサブセットに、クラス分けのために分割される、
形態１に記載の方法。
形態５
学習、検証、及びテストの前記データサブセットにおける前記使用可能なセグメント化された画像データが、連続又は離散データ源からであるか否かを特定するステップを更に備える、
形態１に記載の方法。
形態６
前記ニューラルネットワークアーキテクチャは、教師有り又は教師無しのいずれかであり、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
形態１に記載の方法。
形態７
他の石油物理的特性を導出するために、又は新しいデータ関係を生成するために、前記後処理されたデータに対して追加の処理を実行するステップを更に備える、
形態１に記載の方法。
形態８
コンピュータにより読み出し可能な非一時的な媒体であって、該媒体は、以下の動作を実行するコンピュータシステムによって実行可能な１又は複数の命令を格納しており、前記動作は：
アーティファクトを除くために及び望ましい目標出力に関連付けられた情報を回復するために、画像処理を用いて、受けた画像データを改善して改善された画像データを生成する；
特定の画像ベースの基準に関して、前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行して、セグメント化された画像データを生成する；
前処理されたデータとしてニューラルネットワーク内への入力のために補助データ及び使用可能なセグメント化された画像データを前処理する；
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割する；
前記前処理されたデータを処理するために、ニューラルネットワークアーキテクチャを特定する；
前記前処理されたデータを用いて、前記特定されたニューラルネットワークアーキテクチャを実行する；
後処理されたデータとして、前記特定されたニューラルネットワークの出力を後処理する；及び
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較する；ことを含む
媒体。
形態９
画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び１又は複数の石油物理的特性に基づいており、前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変化しており、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
形態８に記載の媒体。
形態１０
前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するために１又は複数の命令を更に含む、
形態８に記載の媒体。
形態１１
前記受けた使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づきパーセンテージに従って、クラス分けのために、学習、検証、及びテストの前記サブセットに分割される、
形態８に記載の媒体。
形態１２
学習、検証、及びテストの前記データサブセットにおける前記使用可能なセグメント化された画像データが連続又は離散データ源からのものである否かを特定するために１又は複数の命令を更に備える、
形態８に記載の媒体。
形態１３
前記ニューラルネットワークアーキテクチャが教師有り又は教師無しであり、ここで、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、ここで、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
形態８に記載の媒体。
形態１４
他の石油物理的特性を導出するために又は新しいデータ関係を生成するために前記後処理されたデータに対して追加の処理を実行するための１又は複数の命令を更に備える、
形態８に記載の媒体。
形態１５
コンピュータにより実施されるシステムであって：
１又は複数のコンピュータと；
１又は複数のコンピュータメモリデバイスと；を備え、
ｆ前記コンピュータメモリデバイスは、１又は複数のコンピュータと相互利用可能に結合され、また機械により読み出し可能であり有形の非一時的な媒体を有し、該媒体は、一又は複数の命令を格納しており、該命令は、前記１又は複数のコンピュータによって実行されるとき、以下の動作を実行し、前記動作は：
アーティファクトを除くために及び望ましい目標出力に関連付けられた情報を回復するために、画像処理を用いて、受けた画像データを改善して改善された画像データを生成する；
セグメント化された画像データを生成するために、特定の画像ベースの基準に関して、前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行する；
前処理されたデータとしてニューラルネットワーク内への入力のための補助データ及び使用可能なセグメント化された画像データを前処理する；
前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割する；
前記前処理されたデータを処理するために、ニューラルネットワークアーキテクチャを特定する；
前記前処理されたデータを用いて、前記特定されたニューラルネットワークアーキテクチャを実行する；
後処理されたデータとして、前記特定されたニューラルネットワークの出力を後処理する；及び
前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較する；ことを含む、
システム。
形態１６
画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び１又は複数の石油物理的特性に基づいており、前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変化しており、
前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
形態１５に記載のシステム。
形態１７
前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するために１又は複数の命令を更に備える、
形態１５に記載のシステム。
形態１８
前記受けた使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づきパーセンテージに従って、クラス分けのために、学習、検証、及びテストの前記データサブセットに分割される、
形態１５に記載のシステム。
形態１９
学習、検証、及び、テストの前記データサブセットにおける前記使用可能なセグメント化された画像データが、連続又は離散データ源からであるか否かを特定するための１又は複数の命令を更に備える、
形態１５に記載のシステム。
形態２０
前記ニューラルネットワークアーキテクチャは、教師有り又は教師無しのいずれかであり、ここで、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
形態１５に記載のシステム。
形態２１
他の石油物理的特性を導出するために又は新しいデータ関係を生成するために、前記後処理されたデータに対して追加の処理を実行するための１又は複数の命令を更に備える、
形態１５に記載のシステム。

Claims (21)

1. 坑井コアに関連付けられた画像データを受信するステップと；
   アーティファクトを除去すると共に所望の目標出力に関連付けられた情報を回復するために、画像処理を用いて、前記受信した画像データを改善するステップと；
   セグメント化された画像データを生成するために、特定の画像ベースの基準に関して前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行するステップと；
   前記セグメント化された画像データが使用可能であることを、石油物理的値の範囲を含むユーザビリティ基準に基づき、特定するステップと；
   前記セグメント化された画像データが使用可能であることを特定することに応答して、前処理されたデータとしてニューラルネットワークへの入力のために、補助データ及び前記使用可能なセグメント化された画像データを、算術又は幾何の関係の組の一又は複数である前処理技法を用いて、前処理するステップと；
   前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割するステップと；
   前記前処理されたデータを処理するためにニューラルネットワークアーキテクチャを特定するステップと；
   前記前処理されたデータを用いて、該特定されたニューラルネットワークアーキテクチャを実行するステップと；
   後処理されたデータとして前記特定されたニューラルネットワークの出力を後処理するステップと；
   前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較するステップと；を備える
   コンピュータにより実施される方法。
2. 画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び１又は複数の石油物理的特性に基づいており、
   前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変わり、
   前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
   請求項１に記載の方法。
3. 前記改善された画像データの有用性を特定するステップを更に備える、
   請求項１に記載の方法。
4. 前記使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づくパーセンテージに従って、学習、検証、及びテストの前記データサブセットに、クラス分けのために分割される、
   請求項１に記載の方法。
5. 学習、検証、及びテストの前記データサブセットにおける前記使用可能なセグメント化された画像データが、連続又は離散データ源からであるか否かを特定するステップを更に備える、
   請求項１に記載の方法。
6. 前記ニューラルネットワークアーキテクチャは、教師有り又は教師無しのいずれかであり、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
   請求項１に記載の方法。
7. 他の石油物理的特性を導出するために、又は新しいデータ関係を生成するために、前記後処理されたデータに対して追加の処理を実行するステップを更に備える、
   請求項１に記載の方法。
8. コンピュータにより読み出し可能な非一時的な媒体であって、該媒体は、以下の動作を実行するコンピュータシステムによって実行可能な１又は複数の命令を格納しており、前記動作は：
   坑井コアに関連付けられた画像データを受信する；
   アーティファクトを除くために及び望ましい目標出力に関連付けられた情報を回復するために、画像処理を用いて、前記受けた画像データを改善する；
   特定の画像ベースの基準に関して、前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行して、セグメント化された画像データを生成する；
   前記セグメント化された画像データが使用可能であることを、石油物理的値の範囲を含むユーザビリティ基準に基づき、特定する；
   前記セグメント化された画像データが使用可能であることを特定することに応答して、前処理されたデータとしてニューラルネットワーク内への入力のために補助データ及び前記使用可能なセグメント化された画像データを、算術又は幾何の関係の組の一又は複数である前処理技法を用いて、前処理する；
   前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割する；
   前記前処理されたデータを処理するために、ニューラルネットワークアーキテクチャを特定する；
   前記前処理されたデータを用いて、前記特定されたニューラルネットワークアーキテクチャを実行する；
   後処理されたデータとして、前記特定されたニューラルネットワークの出力を後処理する；及び
   前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較する；ことを含む
   媒体。
9. 画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び１又は複数の石油物理的特性に基づいており、
   前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変化しており、
   前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
   請求項８に記載の媒体。
10. 前記改善された画像データを特定するために１又は複数の命令を更に含む、
    請求項８に記載の媒体。
11. 前記使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づくパーセンテージに従って、クラス分けのために、学習、検証、及びテストの前記サブセットに分割される、
    請求項８に記載の媒体。
12. 学習、検証、及びテストの前記データサブセットにおける前記使用可能なセグメント化された画像データが連続又は離散データ源からのものであるかを特定するために１又は複数の命令を更に備える、
    請求項８に記載の媒体。
13. 前記ニューラルネットワークアーキテクチャが教師有り又は教師無しであり、ここで、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、ここで、前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
    請求項８に記載の媒体。
14. 他の石油物理的特性を導出するために又は新しいデータ関係を生成するために前記後処理されたデータに対して追加の処理を実行するための１又は複数の命令を更に備える、
    請求項８に記載の媒体。
15. コンピュータにより実施されるシステムであって：
    １又は複数のコンピュータと；
    １又は複数のコンピュータメモリデバイスと；を備え、
    前記コンピュータメモリデバイスは、前記１又は複数のコンピュータと相互利用可能に結合され、また機械により読み出し可能であり有形の非一時的な媒体を有し、該媒体は、一又は複数の命令を格納しており、該命令は、前記１又は複数のコンピュータによって実行されるとき、以下の動作を実行し、前記動作は：
    坑井コアに関連付けられた画像データを受信する；
    アーティファクトを除くために及び望ましい目標出力に関連付けられた情報を回復するために、画像処理を用いて、前記受けた画像データを改善する；
    セグメント化された画像データを生成するために、特定の画像ベースの基準に関して、前記改善された画像データをコヒーレント領域に区分化することによって、使用可能な改善された画像データに対して画像セグメンテーションを実行する；
    前記セグメント化された画像データが使用可能であることを、石油物理的値の範囲を含むユーザビリティ基準に基づき、特定する；
    前記セグメント化された画像データが使用可能であることを特定することに応答して、
    前処理されたデータとしてニューラルネットワーク内への入力のための補助データ及び前記使用可能なセグメント化された画像データを、算術又は幾何の関係の組の一又は複数である前処理技法を用いて、前処理する；
    前記前処理されたデータを学習、検証、及びテストのデータサブセットに分割する；
    前記前処理されたデータを処理するために、ニューラルネットワークアーキテクチャを特定する；
    前記前処理されたデータを用いて、前記特定されたニューラルネットワークアーキテクチャを実行する；
    後処理されたデータとして、前記特定されたニューラルネットワークの出力を後処理する；及び
    前記後処理されたデータが所望の出力結果を満たすかどうかを特定するために、前記後処理されたデータを、前記後処理されたデータに関連付けられた既知の値範囲と比較する；ことを含む、
    システム。
16. 画像の改善は、貯留層、坑井サイト、又は坑井コアの状態に関連付けられたパラメータ及び１又は複数の石油物理的特性に基づいており、
    前記画像データに対して実行された画像改善技術の数及び順序は、画像フォーマット又は画像サイズに基づき変化しており、
    前記改善された画像データに対して実行された画像セグメンテーション技術の数及び順序は、画像フォーマット、画像サイズ、又は必要な結果に基づき変化する、
    請求項１５に記載のシステム。
17. 前記改善された画像データ及び前記セグメント化された画像データの有用性を特定するために１又は複数の命令を更に備える、
    請求項１５に記載のシステム。
18. 前記使用可能なセグメント化された画像データは、前記使用可能なセグメント化された画像データから導出されたデータセットの数及びタイプに基づくパーセンテージに従って、クラス分けのために、学習、検証、及びテストの前記データサブセットに分割される、
    請求項１５に記載のシステム。
19. 学習、検証、及び、テストの前記データサブセットにおける前記使用可能なセグメント化された画像データが、連続又は離散データ源からであるかを特定するための１又は複数の命令を更に備える、
    請求項１５に記載のシステム。
20. 前記ニューラルネットワークアーキテクチャは、教師有り又は教師無しのいずれかであり、ここで、前記教師有りニューラルネットワークアーキテクチャは、リカレントニューラルネットワークタイプ又はフィードフォワードニューラルネットワークタイプを含み、 前記教師無しニューラルネットワークアーキテクチャは、推定器又は抽出器のニューラルネットワークタイプを含む、
    請求項１５に記載のシステム。
21. 他の石油物理的特性を導出するために又は新しいデータ関係を生成するために、前記後処理されたデータに対して追加の処理を実行するための１又は複数の命令を更に備える、
    請求項１５に記載のシステム。