Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Evolving Neural Conditional Random Fields for drilling report classification

Texto completo
Autor(es):
Ribeiro, Luiz C. F. [1] ; Afonso, Luis C. S. [2] ; Colombo, Danilo [3] ; Guilherme, Ivan R. [4] ; Papa, Joao P. [1]
Número total de Autores: 5
Afiliação do(s) autor(es):
[1] UNESP Sao Paulo State Univ, Sch Sci, Sao Paulo - Brazil
[2] UFSCar Fed Univ Sao Carlos, Dept Comp, Sao Carlos - Brazil
[3] Cenpes Petroleo Brasileiro SA, Rio De Janeiro - Brazil
[4] UNESP Sao Paulo State Univ, Inst Geosci & Exact Sci, Sao Paulo - Brazil
Número total de Afiliações: 4
Tipo de documento: Artigo Científico
Fonte: JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING; v. 187, APR 2020.
Citações Web of Science: 0
Resumo

Oil and gas prospecting is an important economic activity, besides being expensive and quite complex, thus requiring close monitoring to avoid work accidents and mainly environmental damages. An essential source of information concerns the daily drilling reports that contain operations technical interpretations and additional information from rig sensors. However, only a few works have focused on mining textual information from such reports for providing intelligent-based decision-making mechanisms to aid safety and efficiency concerns in drilling operations. This work proposes a contextual-driven approach based on Recurrent Neural Networks to recognize events in drilling reports that can outperform other related techniques. We also introduce a novel approach based on evolutionary computing to combine partially trained models using cyclical learning rates. Experiments conducted on two unbalanced datasets provided by Petrobras (Petroleo Brasileiro S.A.) show that our model improved Macro-F1 scores over the baseline by more than 47%. Besides, the proposed ensembling technique further enhanced these values by another 3% in the best scenario. Such promising results can shed light over new research directions in the field.(1) (AU)

Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
Beneficiário:Alexandre Xavier Falcão
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
Beneficiário:José Alberto Cuminato
Linha de fomento: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
Processo FAPESP: 16/19403-6 - Modelos de aprendizado baseados em energia e suas aplicações
Beneficiário:João Paulo Papa
Linha de fomento: Auxílio à Pesquisa - Regular