Machine Learning Approaches for Sub-surface Geological Heterogeneous Sources - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Machine Learning Approaches for Sub-surface Geological Heterogeneous Sources

Approches d'apprentissage automatique pour des sources hétérogènes géologiques de sous-sol

Résumé

In oil and gas exploration and production, understanding subsurface geological structures, such as well logs and rock samples, is essential to provide predictive and decision support tools. Gathering and using data from a variety of sources, both structured and unstructured, such as relational databases and digitized reports on the subsurface geology, are critical. The main challenge for the structured data is the lack of a global schema to cross-reference all attributes from different sources. The challenges are different for unstructured data. Most subsurface geological reports are scanned versions of documents. Our dissertation aims to provide a structured representation of the different data sources and to build domain-specific language models for learning named entities related to subsurface geology.
Dans le domaine de l'exploration et de la production du pétrole et du gaz, il est essentiel de comprendre les structures géologiques de sous-sol, tels que les diagraphies de puits et les échantillons de roche, afin de fournir des outils de prédiction et d'aide à la décision. Exploiter des données provenant de différentes sources, structurées ou non structurées, telles que des bases de données relationnelles et des rapports numérisés portant sur la géologie du sous-sol, est primordial. Le principal défi pour les données structurées réside dans l'absence d'un schéma global permettant de croiser tous les attributs provenant de différentes sources.Les défis sont autres pour les données non structurées. La plupart des rapports géologiques de sous-sol sont des versions scannées de documents. L'objectif de notre travail de thèse est de fournir une représentation structurée des différentes sources de données, et de construire des modèles de language spécifique au domaine pour l'apprentissage des entités nommées relatives à la géologie du sous-sol.
Fichier principal
Vignette du fichier
108599_ARMAN_2023_archivage.pdf (14.66 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04107211 , version 1 (26-05-2023)

Identifiants

  • HAL Id : tel-04107211 , version 1

Citer

Molood Arman. Machine Learning Approaches for Sub-surface Geological Heterogeneous Sources. Databases [cs.DB]. Université Paris-Saclay, 2023. English. ⟨NNT : 2023UPASG014⟩. ⟨tel-04107211⟩
86 Consultations
44 Téléchargements

Partager

Gmail Facebook X LinkedIn More