|
|
--- |
|
|
base_model: intfloat/multilingual-e5-large |
|
|
datasets: [] |
|
|
language: [] |
|
|
library_name: sentence-transformers |
|
|
metrics: |
|
|
- cosine_accuracy |
|
|
- dot_accuracy |
|
|
- manhattan_accuracy |
|
|
- euclidean_accuracy |
|
|
- max_accuracy |
|
|
pipeline_tag: sentence-similarity |
|
|
tags: |
|
|
- sentence-transformers |
|
|
- sentence-similarity |
|
|
- feature-extraction |
|
|
- generated_from_trainer |
|
|
- dataset_size:4926 |
|
|
- loss:TripletLoss |
|
|
widget: |
|
|
- source_sentence: Какова точность структурных построений для отражающего горизонта |
|
|
БВ8? |
|
|
sentences: |
|
|
- Вынос керна по пласту составил 209,8 м (или 26 от общего по месторождению). Из |
|
|
пластов ачимовской толщи керн взят в 10 пробуренных скважинах – 230,5 м при 90 |
|
|
выноса керна |
|
|
- В результате одномерного моделирования зарегистрированные отражающие горизонты |
|
|
стратифицированы следующим образом (рис. 3 |
|
|
- Результаты расчета приведены ниже в табличной форме. Точность структурных построений |
|
|
(традиционный способ) Таблица 3.2 Горизонт st, мс Vcp, м/с sv, м/с T0ср, с sн, |
|
|
м Г 2 1855 9.28 0.97 4.8 М 2 2200 11.0 1.5 8.5 БВ0 2 2310 11.55 1.66 9.8 БВ8 2 |
|
|
2415 12.08 1.82 11.3 Б 2 2515 12.58 1.97 12.6 1 Ю1 2 2530 12.65 1.98 12.8 Т 2 |
|
|
2555 12.78 2.02 13.2 Т2 5 2615 13.08 2.10 15.2 Т3 5 2645 13.23 2.17 15.8 А 5 2650 |
|
|
13.25 2.13 15 |
|
|
- source_sentence: Какова точность структурных построений для отражающего горизонта |
|
|
ПК1? |
|
|
sentences: |
|
|
- Поскольку ОГ Ю2 коррелировался только по площади участка СП 14/12-13, то выявить |
|
|
зависимость dT/dH для структурных построений по этому отражающему горизонту не |
|
|
представляется возможным |
|
|
- 'page_content=''Г Ач1, Ач2, Ю2, Ю4, Т3, А), не приводятся в таблице.Проведя анализ |
|
|
погрешности определения абсолютных отметок структурных поверхностей по всем прослеженным |
|
|
отражающим горизонтам, не трудно заметить, что не происходит существенного наращивания |
|
|
ошибок по скважинным данным.Среднеквадратичные отклонения по всем опорным горизонтам |
|
|
составляют около10м по верхним отражающим горизонтам и в районе 15м по отражающим |
|
|
горизонтам юрского интервала разреза171(4.1)171Таблица 4.2 Точность структурных |
|
|
построений |
|
|
|
|
|
| | Скважина | None | None | ОГ БП121 | None | None | None |
|
|
| None | ОГ БП141 | None | None | None | None | None | ОГ Б | |
|
|
None | None | None | None | None | None | None | None | |
|
|
ОГ Ю11 | None | None | None | None | None | None | None | |
|
|
None | ОГ Ю12 | None | None | None | None | None | None | |
|
|
None | None | |
|
|
|
|
|
|---:|:-----------|:-------|:-------|:-----------|:-------|:----------|--------:|:-------|:-----------|---------:|:-------|:---------|--------:|:-------|:-----------|:---------|:-------|:--------|:---------|:-------|:--------|:---------|:-------|:-----------|:----------|:-------|:-------|:---------|:-------|:--------|:---------|:-------|:-----------|:---------|:-------|:-------|:---------|:-------|:-------|:---------|:-------| |
|
|
|
|
|
| 0 | | | | | | | | | | | | | | | | |
|
|
ОГ Б | | | | | | | | | |
|
|
ОГ Ю11 | | | | | | | | | |
|
|
ОГ Ю12 | | | | | | | | |
|
|
|
|
|
| 1 | | | | Абсолютна | | поправка, | | | |
|
|
Абсолютна | | | поправка | | | Абсолютна | | | | |
|
|
поправка | | | поправка | | Абсолютна | | | | |
|
|
поправка | | | поправка | | Абсолютна | | | | |
|
|
поправка | | | поправка | | |
|
|
|
|
|
| | | | | я отметка, | | м | | | |
|
|
я отметка, | | | , | | | я отметка, | | | | | | | | | |
|
|
я отметка, | | | | | | | | | |
|
|
я отметка, | | | | | | | | | |
|
|
|
|
|
| | | | | м | | | | | |
|
|
м | | | м | | | м | | | | | | | | | |
|
|
м | | | | | | | | | |
|
|
м | | | | | | | | | |
|
|
|
|
|
| 2 | | | | | | | | | | | | | | | | | | | |
|
|
, м | | | , м | | | | | | |
|
|
, м | | | , м | | | | | | |
|
|
, м | | | , м | | |
|
|
|
|
|
| 3 | | | | | | | | | | | | | | | | | | | |
|
|
(миним. | | | (максим. | | | | | | |
|
|
(миним. | | | (максим. | | | | | | |
|
|
(миним. | | | (максим. | | |
|
|
|
|
|
| 4 | | | | | | | | | | | | | | | | | | | |
|
|
вариант) | | | вариант) | | | | | | |
|
|
вариант) | | | вариант) | | | | | | |
|
|
вариант) | | | вариант) | | |
|
|
|
|
|
| 5 | 321_309PО | | | -2695.35 | | | -3.829 |
|
|
| | | -2798.72 | | | -11.1 | | | |
|
|
-3168.96 | | | -11.93 | | 11.01 | | | | |
|
|
-3227.584 | | | 1.116 | | | 15.971 | | | |
|
|
-3282.26 | | | 1.53 | | | -0.813 | | |
|
|
|
|
|
| 6 | 036_93R | | | -2689.36 | | | 6.278 |
|
|
| | | -2803.53 | | | 6.624 | | | |
|
|
-3159.35 | | | | | | | | | | | | | | | | | | | | | | | | | | |
|
|
|
|
|
| 7 | 321_306PO | | | -2634.81 | | | 2.583 |
|
|
| | | -2750.89 | | | 1.683 | | | |
|
|
-3132.36 | | | 8.908 | | 8.10 | | | | |
|
|
-3215.572 | | | -7.364 | | | 2.225 | | | |
|
|
-3258.65 | | | 5.47 | | | 1.215 | | |
|
|
|
|
|
| 8 | 321_304PO | | | -2630.36 | | | 13.695 |
|
|
| | | -2752.37 | | | 18.939 | | | |
|
|
-3130.72 | | | 22.745 | | 18.88 | | | | |
|
|
-3203.712 | | | -1.653 | | | 17.435 | | | |
|
|
-3251.06 | | | -0.95 | | | -0.791 | | |
|
|
|
|
|
| 9 | 321_301P | | | -2598.16 | | | -11.352 |
|
|
| | | -2726.9 | | | -4.256 | | | |
|
|
-3103.45 | | | -1.253 | | -14.44 | | | | |
|
|
-3209.854 | | | -7.108 | | | -19.761 | | | |
|
|
-3227.86 | | | 3.088 | | | -0.272 | | |
|
|
|
|
|
| 10 | 321_302PO | | | -2621.81 | | | -5.016 |
|
|
| | | -2742.59 | | | -4.162 | | | |
|
|
-3102.04 | | | -4.168 | | -25.08 | | | | |
|
|
-3222.447 | | | 5.432 | | | -15.737 | | | |
|
|
-3246.04 | | | 5.024 | | | 0.331 | | |
|
|
|
|
|
| 11 | 321_305PO | | | -2543.8 | | | -8.226 |
|
|
| | | -2669.61 | | | -12.78 | | | |
|
|
-3032.52 | | | -17.205 | | 1.49 | | | | |
|
|
-3131.177 | | | 6.697 | | | -0.131 | | | |
|
|
-3163.86 | | | -3.096 | | | -3.624 | | |
|
|
|
|
|
| 12 | | Ср.кв. | | | | ± 8.80 | | | | | | |
|
|
± 10.98 | | | | | | ± 14.51 | | | |
|
|
± 16.63 | | | | | | ± 6.03 | | | |
|
|
± 15.51 | | | | | | ± 3.38 | | | |
|
|
± 1.64 | | | |
|
|
|
|
|
| 13 | | откл | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
|
|
|
|
|
Скважина 321_309PО 036_93R 321_306PO 321_304PO 321_301P 321_302PO 321_305PO Ср.кв. |
|
|
откл ОГ БП12 1 ОГ БП14 1 Абсолютна я отметка, м поправка, м Абсолютна я отметка, |
|
|
м поправка , м Абсолютна я отметка, м -2695.35 -2689.36 -2634.81 -2630.36 -2598.16 |
|
|
-2621.81 -2543.8 -3.829 6.278 2.583 13.695 -11.352 -5.016 -8.226 -2798.72 -2803.53 |
|
|
-2750.89 -2752.37 -2726.9 -2742.59 -2669.61 -11.1 6.624 1.683 18.939 -4.256 -4.162 |
|
|
-12.78 -3168.96 -3159.35 -3132.36 -3130.72 -3103.45 -3102.04 -3032.52 ± 8.80 ± |
|
|
10.98 ОГ''' |
|
|
- 2 Параметры окон для расч та атрибутов QC по сейсмограммам ОПВ и ОПП |
|
|
- source_sentence: Какая методика структурных построений была использована при построении |
|
|
структурных планов по отражающим горизонтам юрского комплекса? |
|
|
sentences: |
|
|
- На юге и юго-востоке под эрозионной поверхностью подошвы юрского комплекса регистрируются |
|
|
крутопадающие волновые пакеты (Рис. 3.81). С целью получения более достоверных |
|
|
структурных построений корреляция преимущественного большинства ОГ выполнена по |
|
|
фазовым переходам. Горизонты М и НБВ2 прослежены по положительному экстремуму |
|
|
отражения, горизонт Б – по отрицательному. Временные и структурные поверхности |
|
|
ОГ использовались для палеоизохронных и палеоструктурных построений и для создания |
|
|
опорных трендовых моделей при выполнении инверсионных преобразований. 3.2.3 |
|
|
- 'page_content=''4151.688 х 7134670500 © изза = on +#nnРис. 2.3. Фактическая схема |
|
|
расположения профилей сезона 2010–2012 гг.51463606.125 x 7142067.500 © heron тои |
|
|
ВЫ изо оз» тои 47оь «тако ane +11 По контуру пунктов приема $=169 кв.кмРис. 2.4. |
|
|
Фактическая схема расположения профилей двух сезонов52452043 -219 = 7129857.500 |
|
|
+ — контур обработкиРис. 2.5. Карта рельефа из предоставленных SPS-файлов двух |
|
|
сезоновИнформация о методике полевых работ приведена в Таблица 2.1.53Таблица 2.1. |
|
|
Описание методики полевых работ |
|
|
|
|
|
| | №№ | Показатели | Содержание | None | |
|
|
|
|
|
|---:|:-----|:------------------------------|:---------------------|:---------------------| |
|
|
|
|
|
| 0 | | | Сезон 2010–2011гг | Сезон 2011–2012гг | |
|
|
|
|
|
| 1 | 1. | Параметры регистрации: | | | |
|
|
|
|
|
| 2 | | - аппаратура | 428 XL(Sercel) | 408 XL(Sercel) | |
|
|
|
|
|
| 3 | | - расстояние между линиями | 300 | 300 | |
|
|
|
|
|
| | | приема, м | | | |
|
|
|
|
|
| 4 | | -расстояние между линиями | 400 | 400 | |
|
|
|
|
|
| | | возбуждения, м | | | |
|
|
|
|
|
| 5 | | - расстояние между ПВ, м | 50 | 50 | |
|
|
|
|
|
| 6 | | - расстояние меду ПП, м | 50 | 50 | |
|
|
|
|
|
| 7 | | - размер бина, м | 25 х 25 | 25 х 25 | |
|
|
|
|
|
| 8 | | - кратность наблюдений | 56 | 56 | |
|
|
|
|
|
| | | - минимально-допустимая | 50 | 50 | |
|
|
|
|
|
| | | кратность в эксклюзивных | | | |
|
|
|
|
|
| | | зонах 90% | | | |
|
|
|
|
|
| 9 | | - система наблюдения | 3D, блоковая, | 3D, блоковая, | |
|
|
|
|
|
| | | | ортогональная, | ортогональная, | |
|
|
|
|
|
| | | | симметричная | симметричная | |
|
|
|
|
|
| 10 | | - количество профилей в блоке | 16 | 16 | |
|
|
|
|
|
| 11 | | - перекрытие линий приема в | 1 | 1 | |
|
|
|
|
|
| | | блоке | | | |
|
|
|
|
|
| 12 | | -количество активных каналов | 112 | 112 | |
|
|
|
|
|
| | | на линии ПП | | | |
|
|
|
|
|
| 13 | | - количество активных каналов | 1792 | 1792 | |
|
|
|
|
|
| | | в блоке | | | |
|
|
|
|
|
| 14 | | - количество рабочих | 6700 | 6700 | |
|
|
|
|
|
| | | каналов | | | |
|
|
|
|
|
| 15 | | - min вынос ПВ, м | 35 | 35 | |
|
|
|
|
|
| 16 | | - max. удаления ПВ в | 3653 | 3653 | |
|
|
|
|
|
| | | регулярной сети, м | | | |
|
|
|
|
|
| 17 | | - кол-во ПВ на линии в блоке | 6 | 6 | |
|
|
|
|
|
| 18 | | - тип сейсмоприемников | GS-20DX | GS-20DX | |
|
|
|
|
|
| 19 | | - группирование | линейное 12 приборов | линейное |
|
|
12 приборов | |
|
|
|
|
|
| | | сейсмоприемников | на базе 25 м с | на базе 25 |
|
|
м с | |
|
|
|
|
|
| | | | параллельно- | параллельно- | |
|
|
|
|
|
регулярной сети, мкол-во ПВ на линии в блоке66тип сейсмоприемниковGS-20DXGS-20DXгруппированиелинейное |
|
|
12 приборовлинейное 12 приборовсейсмоприемниковсейсмоприемниковна базе 25 м сна |
|
|
базе 25 м спараллельно-параллельно-54последовательнымпоследовательным2. соединением |
|
|
(6х2) соединением (6х2) - способ размотки-смотки конвейерный конвейерный - шаг |
|
|
квантования, мс 2 2 - длина записи, с 6 6 - ФВЧ - - - ФНЧ 0.8F Nyquist (min 0.8F |
|
|
Nyquist (min phase) phase) - режекторный фильтр выкл. выкл. - формат запис''' |
|
|
- Структурные карты и схемы по ОГ юрского комплекса получены через постоянную скорость |
|
|
и временные толщины от ОГ Б |
|
|
- source_sentence: Выполнялся ли учет длиннопериодной статики? |
|
|
sentences: |
|
|
- 68 Временной разрез после итераций коррекции статики и кинематики, InLine 7578 |
|
|
164 Рис. 3.69 Временной разрез до итераций коррекции статики и кинематики, XLine |
|
|
Рис. 3 |
|
|
- Были проанализированы и опробованы различные варианты расчета длиннопериодной |
|
|
статики. В частности, статика рассчитывалась по разным горизонтам, с различными |
|
|
вариантами получения Vогт и разными скоростями замещения слоя |
|
|
- Графики уравнения регрессии по отражающим горизонтам НАЧ1, НАЧ3 и НАЧ4 Таблица |
|
|
4.2.4 Оценка точности структурных построений Горизонт , м Г М Б Т Т2 Т3 Т4 А Уч. |
|
|
09.03 |
|
|
- source_sentence: Какое значение апертуры миграции было использовано? |
|
|
sentences: |
|
|
- коэффициентов взаимной корреляции позволяют использовать полученные зависимости |
|
|
для построения карт ФЕС (в частности – карт значений эффективных толщин ) (Граф |
|
|
- Миграция выполнялась с использованием программы TIKIM до суммирования во временной |
|
|
области по классам удалений. Апертура миграции составила 3000 м |
|
|
- Предварительно с помощью модуля DINAT проводилась оценка углов падения для расчета |
|
|
AVO-атрибутов (рис. 3.6.1). Данные содержат углы падения до 46 для неокомских |
|
|
и 40 для ачимовских отложений |
|
|
model-index: |
|
|
- name: SentenceTransformer based on intfloat/multilingual-e5-large |
|
|
results: |
|
|
- task: |
|
|
type: triplet |
|
|
name: Triplet |
|
|
dataset: |
|
|
name: e5 triplet eval |
|
|
type: e5_triplet_eval |
|
|
metrics: |
|
|
- type: cosine_accuracy |
|
|
value: 0.9642857142857143 |
|
|
name: Cosine Accuracy |
|
|
- type: dot_accuracy |
|
|
value: 0.03571428571428571 |
|
|
name: Dot Accuracy |
|
|
- type: manhattan_accuracy |
|
|
value: 0.9642857142857143 |
|
|
name: Manhattan Accuracy |
|
|
- type: euclidean_accuracy |
|
|
value: 0.9642857142857143 |
|
|
name: Euclidean Accuracy |
|
|
- type: max_accuracy |
|
|
value: 0.9642857142857143 |
|
|
name: Max Accuracy |
|
|
--- |
|
|
|
|
|
# SentenceTransformer based on intfloat/multilingual-e5-large |
|
|
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large). It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more. |
|
|
|
|
|
## Model Details |
|
|
|
|
|
### Model Description |
|
|
- **Model Type:** Sentence Transformer |
|
|
- **Base model:** [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) <!-- at revision ab10c1a7f42e74530fe7ae5be82e6d4f11a719eb --> |
|
|
- **Maximum Sequence Length:** 512 tokens |
|
|
- **Output Dimensionality:** 1024 tokens |
|
|
- **Similarity Function:** Cosine Similarity |
|
|
<!-- - **Training Dataset:** Unknown --> |
|
|
<!-- - **Language:** Unknown --> |
|
|
<!-- - **License:** Unknown --> |
|
|
|
|
|
### Model Sources |
|
|
|
|
|
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net) |
|
|
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) |
|
|
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) |
|
|
|
|
|
### Full Model Architecture |
|
|
|
|
|
``` |
|
|
SentenceTransformer( |
|
|
(0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel |
|
|
(1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True}) |
|
|
(2): Normalize() |
|
|
) |
|
|
``` |
|
|
|
|
|
## Usage |
|
|
|
|
|
### Direct Usage (Sentence Transformers) |
|
|
|
|
|
First install the Sentence Transformers library: |
|
|
|
|
|
```bash |
|
|
pip install -U sentence-transformers |
|
|
``` |
|
|
|
|
|
Then you can load this model and run inference. |
|
|
```python |
|
|
from sentence_transformers import SentenceTransformer |
|
|
|
|
|
# Download from the 🤗 Hub |
|
|
model = SentenceTransformer("dankalin/multilingual-e5-large-triplet_loss") |
|
|
# Run inference |
|
|
sentences = [ |
|
|
'Какое значение апертуры миграции было использовано?', |
|
|
'Миграция выполнялась с использованием программы TIKIM до суммирования во временной области по классам удалений. Апертура миграции составила 3000 м', |
|
|
'коэффициентов взаимной корреляции позволяют использовать полученные зависимости для построения карт ФЕС (в частности – карт значений эффективных толщин ) (Граф', |
|
|
] |
|
|
embeddings = model.encode(sentences) |
|
|
print(embeddings.shape) |
|
|
# [3, 1024] |
|
|
|
|
|
# Get the similarity scores for the embeddings |
|
|
similarities = model.similarity(embeddings, embeddings) |
|
|
print(similarities.shape) |
|
|
# [3, 3] |
|
|
``` |
|
|
|
|
|
<!-- |
|
|
### Direct Usage (Transformers) |
|
|
|
|
|
<details><summary>Click to see the direct usage in Transformers</summary> |
|
|
|
|
|
</details> |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
### Downstream Usage (Sentence Transformers) |
|
|
|
|
|
You can finetune this model on your own dataset. |
|
|
|
|
|
<details><summary>Click to expand</summary> |
|
|
|
|
|
</details> |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
### Out-of-Scope Use |
|
|
|
|
|
*List how the model may foreseeably be misused and address what users ought not to do with the model.* |
|
|
--> |
|
|
|
|
|
## Evaluation |
|
|
|
|
|
### Metrics |
|
|
|
|
|
#### Triplet |
|
|
* Dataset: `e5_triplet_eval` |
|
|
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) |
|
|
|
|
|
| Metric | Value | |
|
|
|:-------------------|:-----------| |
|
|
| cosine_accuracy | 0.9643 | |
|
|
| dot_accuracy | 0.0357 | |
|
|
| manhattan_accuracy | 0.9643 | |
|
|
| euclidean_accuracy | 0.9643 | |
|
|
| **max_accuracy** | **0.9643** | |
|
|
|
|
|
<!-- |
|
|
## Bias, Risks and Limitations |
|
|
|
|
|
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
### Recommendations |
|
|
|
|
|
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* |
|
|
--> |
|
|
|
|
|
## Training Details |
|
|
|
|
|
### Training Dataset |
|
|
|
|
|
#### Unnamed Dataset |
|
|
|
|
|
|
|
|
* Size: 4,926 training samples |
|
|
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code> |
|
|
* Approximate statistics based on the first 1000 samples: |
|
|
| | anchor | positive | negative | |
|
|
|:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| |
|
|
| type | string | string | string | |
|
|
| details | <ul><li>min: 9 tokens</li><li>mean: 20.24 tokens</li><li>max: 41 tokens</li></ul> | <ul><li>min: 21 tokens</li><li>mean: 129.99 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 2 tokens</li><li>mean: 93.1 tokens</li><li>max: 512 tokens</li></ul> | |
|
|
* Samples: |
|
|
| anchor | positive | negative | |
|
|
|:-----------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
|
| <code>Какова оценка точности (стандартные отклонения) структурных построений для отражающего горизонта А?</code> | <code>В таблице 3.5 представлены данные выполненных расч тов. Таблица 3.5. Оценка точности структурных построений ОГ Vпл/ м/с Т/ с Т/ с Vпл/ м/с Н/ м ТЮ2 Т3 (ЮВ10) А 3350 3400 3400 0.005 0.010 0.020 0</code> | <code>Точность структурных построений Горизонт НБВ7 НБВ4 НБВ3 М max, м 17 15 19 9 min, м 0 0 0 0 max, м min, м 18 7 10 8 1 0 0 0 , м 8 8 8 4 4 Структурные карты (схемы) по всем отражающим горизонтам</code> | |
|
|
| <code>Какова точность структурных построений для отражающего горизонта Б?</code> | <code>2 Точность структурных построений ОГ АП5 ОГ БП9 1 ОГ БП10 0 Абсолютная отметка, м поправка, м Абсолютная отметка, м поправка, м Абсолютная отметка, м поправка, м 6.51 10.51 9.65 ОГ Б поправка , м (миним. вариант) -11.93 поправка , м (максим. вариант) 11.01 Абсолютна я отметка, м 3227.584 1 ОГ Ю1 поправка , м (миним. вариант) 1.116 поправка , м (максим. вариант) 15.971 Абсолютна я отметка, м 3282.26 2 ОГ Ю1 поправка , м (миним. вариант) 1.53 поправка , м (максим. вариант) -0.813 14.51 16.63 6.03 15.51 3.38 1.64 172 4</code> | <code>Отражающий горизонт Г является реперным горизонтом и коррелируется без затруднений по всему Валынтойскому кубу сейсморазведки 3D</code> | |
|
|
| <code>В скольки скважинах есть данных акустического каротажа?</code> | <code>Комплекс ГИС, выполненный в скважинах 93Р и 309ПО Скв</code> | <code>Проведены сейсморазведочные работы 3Д на Валынтойской площади в объ ме 300 квадратных километров. Полевые работы ВСП в скважине 309ПО Валынтойской площади</code> | |
|
|
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters: |
|
|
```json |
|
|
{ |
|
|
"distance_metric": "TripletDistanceMetric.EUCLIDEAN", |
|
|
"triplet_margin": 5 |
|
|
} |
|
|
``` |
|
|
|
|
|
### Evaluation Dataset |
|
|
|
|
|
#### Unnamed Dataset |
|
|
|
|
|
|
|
|
* Size: 1,232 evaluation samples |
|
|
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code> |
|
|
* Approximate statistics based on the first 1000 samples: |
|
|
| | anchor | positive | negative | |
|
|
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| |
|
|
| type | string | string | string | |
|
|
| details | <ul><li>min: 9 tokens</li><li>mean: 20.38 tokens</li><li>max: 41 tokens</li></ul> | <ul><li>min: 21 tokens</li><li>mean: 132.2 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 2 tokens</li><li>mean: 86.95 tokens</li><li>max: 512 tokens</li></ul> | |
|
|
* Samples: |
|
|
| anchor | positive | negative | |
|
|
|:-------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
|
| <code>Какова оценка точности (стандартные отклонения) структурных построений для отражающего горизонта А?</code> | <code>В таблице 3.5 представлены данные выполненных расч тов. Таблица 3.5. Оценка точности структурных построений ОГ Vпл/ м/с Т/ с Т/ с Vпл/ м/с Н/ м ТЮ2 Т3 (ЮВ10) А 3350 3400 3400 0.005 0.010 0.020 0</code> | <code>Бирюзовой Вертикальны й 1:2 500 Структурная карта по отражающему горизонту А (подошва юрского комплекса) Карта изохрон по отражающему горизонту А Структурная карта по отражающему горизонту Т3(ЮВ10)</code> | |
|
|
| <code>Какова оценка точности (стандартные отклонения) структурных построений для отражающего горизонта ТЮ2?</code> | <code>В таблице 3.5 представлены данные выполненных расч тов. Таблица 3.5. Оценка точности структурных построений ОГ Vпл/ м/с Т/ с Т/ с Vпл/ м/с Н/ м ТЮ2 Т3 (ЮВ10) А 3350 3400 3400 0.005 0.010 0.020 0</code> | <code>Построение и анализ карт средних толщин между полученными и интервальных также карт точности структурных структурными поверхностями</code> | |
|
|
| <code>Сколько скважин было выбрано для обоснования выделения коллекторов?</code> | <code>После анализа каротажных данных для обоснования выделения коллекторов были отобраны 15 скважин Критериями их отбора послужило наличие в комплексе ГИС акустического каротажа по продольным волнам</code> | <code>После анализа каротажных данных для обоснования выделения коллекторов были отобраны 15 скважин Критериями их отбора послужило наличие в комплексе ГИС акустического каротажа по продольным волнам хорошего и удовлетворительного качества, а также близкое расположение скважин к сейсмическим профилям. Кроме того, в статистической обработке принимали участие ещ две скважины: 115 и 122, поскольку в них записан акустический каротаж по поперечной волне</code> | |
|
|
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters: |
|
|
```json |
|
|
{ |
|
|
"distance_metric": "TripletDistanceMetric.EUCLIDEAN", |
|
|
"triplet_margin": 5 |
|
|
} |
|
|
``` |
|
|
|
|
|
### Training Hyperparameters |
|
|
#### Non-Default Hyperparameters |
|
|
|
|
|
- `eval_strategy`: steps |
|
|
- `per_device_train_batch_size`: 2 |
|
|
- `per_device_eval_batch_size`: 2 |
|
|
- `gradient_accumulation_steps`: 64 |
|
|
- `learning_rate`: 2e-05 |
|
|
- `warmup_ratio`: 0.1 |
|
|
- `bf16`: True |
|
|
- `batch_sampler`: no_duplicates |
|
|
|
|
|
#### All Hyperparameters |
|
|
<details><summary>Click to expand</summary> |
|
|
|
|
|
- `overwrite_output_dir`: False |
|
|
- `do_predict`: False |
|
|
- `eval_strategy`: steps |
|
|
- `prediction_loss_only`: True |
|
|
- `per_device_train_batch_size`: 2 |
|
|
- `per_device_eval_batch_size`: 2 |
|
|
- `per_gpu_train_batch_size`: None |
|
|
- `per_gpu_eval_batch_size`: None |
|
|
- `gradient_accumulation_steps`: 64 |
|
|
- `eval_accumulation_steps`: None |
|
|
- `torch_empty_cache_steps`: None |
|
|
- `learning_rate`: 2e-05 |
|
|
- `weight_decay`: 0.0 |
|
|
- `adam_beta1`: 0.9 |
|
|
- `adam_beta2`: 0.999 |
|
|
- `adam_epsilon`: 1e-08 |
|
|
- `max_grad_norm`: 1.0 |
|
|
- `num_train_epochs`: 3 |
|
|
- `max_steps`: -1 |
|
|
- `lr_scheduler_type`: linear |
|
|
- `lr_scheduler_kwargs`: {} |
|
|
- `warmup_ratio`: 0.1 |
|
|
- `warmup_steps`: 0 |
|
|
- `log_level`: passive |
|
|
- `log_level_replica`: warning |
|
|
- `log_on_each_node`: True |
|
|
- `logging_nan_inf_filter`: True |
|
|
- `save_safetensors`: True |
|
|
- `save_on_each_node`: False |
|
|
- `save_only_model`: False |
|
|
- `restore_callback_states_from_checkpoint`: False |
|
|
- `no_cuda`: False |
|
|
- `use_cpu`: False |
|
|
- `use_mps_device`: False |
|
|
- `seed`: 42 |
|
|
- `data_seed`: None |
|
|
- `jit_mode_eval`: False |
|
|
- `use_ipex`: False |
|
|
- `bf16`: True |
|
|
- `fp16`: False |
|
|
- `fp16_opt_level`: O1 |
|
|
- `half_precision_backend`: auto |
|
|
- `bf16_full_eval`: False |
|
|
- `fp16_full_eval`: False |
|
|
- `tf32`: None |
|
|
- `local_rank`: 1 |
|
|
- `ddp_backend`: None |
|
|
- `tpu_num_cores`: None |
|
|
- `tpu_metrics_debug`: False |
|
|
- `debug`: [] |
|
|
- `dataloader_drop_last`: True |
|
|
- `dataloader_num_workers`: 0 |
|
|
- `dataloader_prefetch_factor`: None |
|
|
- `past_index`: -1 |
|
|
- `disable_tqdm`: False |
|
|
- `remove_unused_columns`: True |
|
|
- `label_names`: None |
|
|
- `load_best_model_at_end`: False |
|
|
- `ignore_data_skip`: False |
|
|
- `fsdp`: [] |
|
|
- `fsdp_min_num_params`: 0 |
|
|
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False} |
|
|
- `fsdp_transformer_layer_cls_to_wrap`: None |
|
|
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None} |
|
|
- `deepspeed`: None |
|
|
- `label_smoothing_factor`: 0.0 |
|
|
- `optim`: adamw_torch |
|
|
- `optim_args`: None |
|
|
- `adafactor`: False |
|
|
- `group_by_length`: False |
|
|
- `length_column_name`: length |
|
|
- `ddp_find_unused_parameters`: None |
|
|
- `ddp_bucket_cap_mb`: None |
|
|
- `ddp_broadcast_buffers`: False |
|
|
- `dataloader_pin_memory`: True |
|
|
- `dataloader_persistent_workers`: False |
|
|
- `skip_memory_metrics`: True |
|
|
- `use_legacy_prediction_loop`: False |
|
|
- `push_to_hub`: False |
|
|
- `resume_from_checkpoint`: None |
|
|
- `hub_model_id`: None |
|
|
- `hub_strategy`: every_save |
|
|
- `hub_private_repo`: False |
|
|
- `hub_always_push`: False |
|
|
- `gradient_checkpointing`: False |
|
|
- `gradient_checkpointing_kwargs`: None |
|
|
- `include_inputs_for_metrics`: False |
|
|
- `eval_do_concat_batches`: True |
|
|
- `fp16_backend`: auto |
|
|
- `push_to_hub_model_id`: None |
|
|
- `push_to_hub_organization`: None |
|
|
- `mp_parameters`: |
|
|
- `auto_find_batch_size`: False |
|
|
- `full_determinism`: False |
|
|
- `torchdynamo`: None |
|
|
- `ray_scope`: last |
|
|
- `ddp_timeout`: 1800 |
|
|
- `torch_compile`: False |
|
|
- `torch_compile_backend`: None |
|
|
- `torch_compile_mode`: None |
|
|
- `dispatch_batches`: None |
|
|
- `split_batches`: None |
|
|
- `include_tokens_per_second`: False |
|
|
- `include_num_input_tokens_seen`: False |
|
|
- `neftune_noise_alpha`: None |
|
|
- `optim_target_modules`: None |
|
|
- `batch_eval_metrics`: False |
|
|
- `eval_on_start`: False |
|
|
- `eval_use_gather_object`: False |
|
|
- `batch_sampler`: no_duplicates |
|
|
- `multi_dataset_batch_sampler`: proportional |
|
|
|
|
|
</details> |
|
|
|
|
|
### Training Logs |
|
|
| Epoch | Step | Training Loss | loss | e5_triplet_eval_max_accuracy | |
|
|
|:------:|:----:|:-------------:|:------:|:----------------------------:| |
|
|
| 0 | 0 | - | - | 0.8166 | |
|
|
| 0.0520 | 1 | 4.9631 | - | - | |
|
|
| 0.1040 | 2 | 4.96 | - | - | |
|
|
| 0.1560 | 3 | 4.9406 | 4.9202 | 0.8799 | |
|
|
| 0.2080 | 4 | 4.9321 | - | - | |
|
|
| 0.2600 | 5 | 4.9293 | - | - | |
|
|
| 0.3119 | 6 | 4.91 | 4.8456 | 0.9237 | |
|
|
| 0.3639 | 7 | 4.8801 | - | - | |
|
|
| 0.4159 | 8 | 4.8692 | - | - | |
|
|
| 0.4679 | 9 | 4.838 | 4.7461 | 0.9432 | |
|
|
| 0.5199 | 10 | 4.8053 | - | - | |
|
|
| 0.5719 | 11 | 4.7793 | - | - | |
|
|
| 0.6239 | 12 | 4.7584 | 4.6476 | 0.9489 | |
|
|
| 0.6759 | 13 | 4.6925 | - | - | |
|
|
| 0.7279 | 14 | 4.6888 | - | - | |
|
|
| 0.7799 | 15 | 4.6673 | 4.5346 | 0.9554 | |
|
|
| 0.8318 | 16 | 4.626 | - | - | |
|
|
| 0.8838 | 17 | 4.6053 | - | - | |
|
|
| 0.9358 | 18 | 4.5582 | 4.4151 | 0.9570 | |
|
|
| 0.9878 | 19 | 4.5486 | - | - | |
|
|
| 1.0398 | 20 | 4.4967 | - | - | |
|
|
| 1.0918 | 21 | 4.4503 | 4.2993 | 0.9667 | |
|
|
| 1.1438 | 22 | 4.3997 | - | - | |
|
|
| 1.1958 | 23 | 4.326 | - | - | |
|
|
| 1.2478 | 24 | 4.3163 | 4.1739 | 0.9643 | |
|
|
| 1.2998 | 25 | 4.2882 | - | - | |
|
|
| 1.3517 | 26 | 4.1748 | - | - | |
|
|
| 1.4037 | 27 | 4.1791 | 4.0528 | 0.9594 | |
|
|
| 1.4557 | 28 | 4.1503 | - | - | |
|
|
| 1.5077 | 29 | 4.1213 | - | - | |
|
|
| 1.5597 | 30 | 4.049 | 3.9291 | 0.9586 | |
|
|
| 1.6117 | 31 | 4.0259 | - | - | |
|
|
| 1.6637 | 32 | 3.9762 | - | - | |
|
|
| 1.7157 | 33 | 3.9038 | 3.8741 | 0.9651 | |
|
|
| 1.7677 | 34 | 3.9605 | - | - | |
|
|
| 1.8197 | 35 | 3.9297 | - | - | |
|
|
| 1.8716 | 36 | 3.8387 | 3.7686 | 0.9619 | |
|
|
| 1.9236 | 37 | 3.871 | - | - | |
|
|
| 1.9756 | 38 | 3.8464 | - | - | |
|
|
| 2.0276 | 39 | 3.7463 | 3.7241 | 0.9643 | |
|
|
| 2.0796 | 40 | 3.8166 | - | - | |
|
|
| 2.1316 | 41 | 3.801 | - | - | |
|
|
| 2.1836 | 42 | 3.6812 | 3.6745 | 0.9610 | |
|
|
| 2.2356 | 43 | 3.6979 | - | - | |
|
|
| 2.2876 | 44 | 3.7102 | - | - | |
|
|
| 2.3396 | 45 | 3.648 | 3.6470 | 0.9635 | |
|
|
| 2.3916 | 46 | 3.6465 | - | - | |
|
|
| 2.4435 | 47 | 3.6907 | - | - | |
|
|
| 2.4955 | 48 | 3.6242 | 3.5768 | 0.9635 | |
|
|
| 2.5475 | 49 | 3.6351 | - | - | |
|
|
| 2.5995 | 50 | 3.659 | - | - | |
|
|
| 2.6515 | 51 | 3.6246 | 3.5535 | 0.9643 | |
|
|
| 2.7035 | 52 | 3.5615 | - | - | |
|
|
| 2.7555 | 53 | 3.5733 | - | - | |
|
|
| 2.8075 | 54 | 3.577 | 3.5572 | 0.9667 | |
|
|
| 2.8595 | 55 | 3.5187 | - | - | |
|
|
| 2.9115 | 56 | 3.6122 | - | - | |
|
|
| 2.9634 | 57 | 3.5786 | 3.5517 | 0.9643 | |
|
|
|
|
|
|
|
|
### Framework Versions |
|
|
- Python: 3.10.12 |
|
|
- Sentence Transformers: 3.0.1 |
|
|
- Transformers: 4.43.3 |
|
|
- PyTorch: 2.4.0+cu121 |
|
|
- Accelerate: 0.33.0 |
|
|
- Datasets: 2.20.0 |
|
|
- Tokenizers: 0.19.1 |
|
|
|
|
|
## Citation |
|
|
|
|
|
### BibTeX |
|
|
|
|
|
#### Sentence Transformers |
|
|
```bibtex |
|
|
@inproceedings{reimers-2019-sentence-bert, |
|
|
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks", |
|
|
author = "Reimers, Nils and Gurevych, Iryna", |
|
|
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing", |
|
|
month = "11", |
|
|
year = "2019", |
|
|
publisher = "Association for Computational Linguistics", |
|
|
url = "https://arxiv.org/abs/1908.10084", |
|
|
} |
|
|
``` |
|
|
|
|
|
#### TripletLoss |
|
|
```bibtex |
|
|
@misc{hermans2017defense, |
|
|
title={In Defense of the Triplet Loss for Person Re-Identification}, |
|
|
author={Alexander Hermans and Lucas Beyer and Bastian Leibe}, |
|
|
year={2017}, |
|
|
eprint={1703.07737}, |
|
|
archivePrefix={arXiv}, |
|
|
primaryClass={cs.CV} |
|
|
} |
|
|
``` |
|
|
|
|
|
<!-- |
|
|
## Glossary |
|
|
|
|
|
*Clearly define terms in order to be accessible across audiences.* |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
## Model Card Authors |
|
|
|
|
|
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
## Model Card Contact |
|
|
|
|
|
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* |
|
|
--> |
