ISSN 0021-3454 (печатная версия)
ISSN 2500-0381 (онлайн версия)
Меню
Войти
№
4 Содержание
том 67 / Апрель, 2024 СТАТЬЯ

Партнеры





















DOI 10.17586/0021-3454-2021-64-7-532-541
УДК 550.8.072

ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗА ИЛИ ЗАМЕЩЕНИЯ НЕДОСТАЮЩИХ КАРОТАЖНЫХ ДАННЫХ

Ахметсафин Р. Д.
Инжиниринговый центр МФТИ по полезным ископаемым, департамент цифровых технологий в индустрии ; доцент

Ахметсафина Р. З.
Национальный исследовательский университет „Высшая школа экономики“, Москва; доцент


Читать статью полностью 

Аннотация. Сопоставляются 9 методов машинного обучения (ANN, ANFIS, ELM, FM, SVM, GPR, RF, RT, k-NN) на примере прогнозирования данных акустического каротажа. Решение задачи регрессии при машинном обучении может применяться не только для прогноза геофизических полей, но и для замещения недостающих данных. Построенную кривую T(Р) интервального времени P-волны можно рассматривать как результат прогноза, если позднее предполагается акустический каротаж; если же дополнительный акустический каротаж невозможен, то синтетическая кривая T(Р) замещает каротажную при дальнейшей интерпретации. Наилучшие результаты по тестовому испытанию показал метод RF.
Ключевые слова: машинное обучение, задача регрессии, замещение недостающих данных, акустический каротаж

Список литературы:
  1. Caté A., Perozzi L., Gloaguen E., Blouin M. Machine learning as a tool for geologists // The Leading Edge. 2017. Vol. 36, N 3. Р. 215—219.
  2. Pandey S., Saraiya R. Prediction of sonic log data using machine learning regression methods // Marine Acquisition Workshop. 2018.
  3. Mas J. F., Flores J. J. The application of artificial neural networks to the analysis of remotely sensed data // Intern. Journal of Remote Sensing. 2008. Vol. 29, N 3. Р. 617—663.
  4. Rumelhart D. E., Hinton G. E., Williams R. J. Learning representations by back-propagating errors // Nature. 1986. Vol. 323, N 6088. Р. 533—536.
  5. Akinnikawe O., Lyne S., Roberts J. Synthetic well log generation using machine learning techniques // Unconventional Resources Technology Conf. Proc., Houston, Texas, USA, 23—25 July 2018; Society of Exploration Geophysicists, American Association of Petroleum Geologists, Society of Petroleum Engineers, 2018. Р. 1507—1522.
  6. Cracknell M. J., Reading A. M. Geological mapping using remote sensing data: A comparison of five machine learning algorithms, their response to variations in the spatial distribution of training data and the use of explicit spatial information // Computers & Geosciences. 2014. Vol. 63. Р. 22—33.
  7. Rodriguez-Galiano V., Sanchez-Castillo M., Chica-Olmo M., Chica-Rivas M. J. O. G. R. Machine learning predictive models for mineral prospectivity: An evaluation of neural networks, random forest, regression trees and support vector machines // Ore Geology Reviews. 2015. Vol. 71. Р. 804—818.
  8. Yilmaz I., Kaynar O. Multiple regression, ANN (RBF, MLP) and ANFIS models for prediction of swell potential of clayey soils // Expert Systems with Applications. 2011. Vol. 38, N 5. Р. 5958—5966.
  9. Gupta I., Devegowda D., Jayaram V., Rai C., Sondergeld C. Machine learning regressors and their metrics to predict synthetic sonic and mechanical properties // Interpretation. 2019. Vol. 7, N 3. Р. 1—56.
  10. Onalo D., Oloruntobi O., Adedigba S., Khan F., James L., Butt S. Dynamic data driven sonic well log model for formation evaluation // J. of Petroleum Science and Engineering. 2019. Vol. 175. Р. 1049—1062.
  11. Takagi T., Sugeno M. Fuzzy identification of systems and its applications to modeling and control // IEEE Trans. on Systems, Man and Cybernetics. 1985. N 1. Р. 116—132.
  12. Jang J. S. R. ANFIS: adaptive-network-based fuzzy inference system // IEEE Trans. on Systems, Man, and Cybernetics. 1993. Vol. 23, N 3. Р. 665—685.
  13. Karaboga D., Kaya E. Adaptive network based fuzzy inference system (ANFIS) training approaches: a comprehensive survey // Artificial Intelligence Review. 2019. Vol. 52, N 4. Р. 2263—2293.
  14. Cabalar A. F., Cevik A., Gokceoglu C. Some applications of adaptive neuro-fuzzy inference system (ANFIS) in geotechnical engineering // Computers and Geotechnics. 2012. Vol. 40. Р. 14—33.
  15. Ахметсафин Р. Д., Ахметсафина Р. З. Практическое применение нечетких моделей для интерпретации ГИС // Геофизический вестник. 2016. № 1. С. 11—14.
  16. Basarir H. Prediction of rock mass P wave velocity using blasthole drilling information // Intern. Journal of Mining, Reclamation and Environment. 2019. Vol. 33, N 1. Р. 61—74.
  17. Babuška R. Fuzzy Modeling for Control. Springer Science & Business Media, 2012. Vol. 12.
  18. Gustafson D. E., Kessel W. C. Fuzzy clustering with a fuzzy covariance matrix // IEEE Conf. on Decision and Control Including the 17th Symp. on Adaptive Processes. 1978. Vol. 17. Р. 761—766.
  19. Grima A. M., Babuška R. Fuzzy model for the prediction of unconfined compressive strength of rock samples // Intern. Journal of Rock Mechanics and Mining Sciences. 1999. Vol. 36, N 3. Р. 339—349.
  20. Kieu D. T., Kepic A., Kitzig M. C. Prediction of sonic velocities from other borehole data: An example from the Kevitsa mine site, northern Finland // Geophysical Prospecting. 2018. Vol. 66, N 9. Р. 1667—1683.
  21. Vapnik V. The Nature of Statistical Learning Theory. Springer Science & Business Media, 2013.
  22. Chang C. C., Lin C. J. LIBSVM: A library for support vector machines // ACM Trans. on Intelligent Systems and Technology (TIST). 2011. Vol. 2, N 3. Р. 27.
  23. Al-Anazi A. F., Gates I. D. Support vector regression to predict porosity and permeability: effect of sample size // Computers & Geosciences. 2012. Vol. 39. Р. 64—76.
  24. Bagheripour P., Gholami A., Asoodeh M., Vaezzadeh-Asadi M. Support vector regression based determination of shear wave velocity // J. of Petroleum Science and Engineering. 2015. Vol. 125. Р. 95—99.
  25. Huang G. B., Zhou H., Ding X., Zhang R. Extreme learning machine for regression and multiclass classification // IEEE Trans. on Systems, Man, and Cybernetics, Part B (Cybernetics). 2011. Vol. 42, N 2. Р. 513—529.
  26. Olatunji S. O., Selamat A., Raheem A. A. A. Modeling permeability prediction using extreme learning machines // 4th Asia Intern. Conf. on Mathematical/Analytical Modelling and Computer Simulation, IEEE. 2010. Р. 29—33.
  27. Shi X., Wang J., Liu G., Yang L., Ge X., Jiang S. Application of extreme learning machine and neural networks in total organic carbon content prediction in organic shale with wire line logs // J. of Natural Gas Science and Engineering. 2016. Vol. 33. Р. 687—702.
  28. Cao J., Shi Y., Wang D., Zhang X. Acoustic log prediction on the basis of Kernel extreme learning machine for wells in Gjh Survey, Erdos Basin // J. of Electrical and Computer Engineering. 2017. Vol. 2017.
  29. Hultquist C., Chen G., Zhao K. A comparison of Gaussian process regression, random forests and support vector regression for burn severity assessment in diseased forests // Remote Sensing Letters. 2014. Vol. 5, N 8. Р. 723—732.
  30. Williams C. K. I., Rasmussen C. E. Gaussian Processes for Machine Learning. Cambridge, MA: MIT Press, 2006.
  31. Asante-Okyere S., Shen C., Yevenyo Ziggah Y., Moses Rulegeya M., Zhu, X. Investigating the predictive performance of gaussian process regression in evaluating reservoir porosity and permeability // Energies. 2018. Vol. 11, N 12. Р. 3261.
  32. Bukar I., Adamu M. B., Hassan U. A machine learning approach to shear sonic log prediction // SPE Nigeria Annual Intern. Conf. and Exhibition. Society of Petroleum Engineers, 2019.
  33. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Science & Business Media, 2009.
  34. Pratama H. Machine learning: using optimized KNN (K-Nearest Neighbors) to predict the facies classifications // Proc. of the 13th SEGJ Intern. Symp., Tokyo, Japan, 12—14 Nov. 2018; Society of Exploration Geophysicists and Society of Exploration Geophysicists of Japan, 2019. Р. 538—541.
  35. Friedl M. A., Brodley C. E. Decision tree classification of land cover from remotely sensed data // Remote Sensing of Environment. 1997. Vol. 61, N 3. Р. 399—409.
  36. Lee S., Jung H. S. Machine Learning Techniques Applied to Geoscience Information System and Remote Sensing. Basel: MDPI, 2019.
  37. Breiman L. Random forests // Machine learning. 2001. Vol. 45, N 1. Р. 5—32.
  38. Friedman J. H. Greedy function approximation: a gradient boosting machine // Annals of Statistics. 2001. Р. 1189—1232.
Информация © 2005-2024«Известия вузов. Приборостроение».
Разработка © 2012 Отдел разработки Интернет-решений НИУ ИТМО.
xHTML 1.0 Valid CSS3 Valid
Яндекс.Метрика