Використання нейронних мереж для літологічного розчленування свердловин

На самому початку роботи виявлено, що багато свердловин не відповідають вимогам, які необхідні для максимально точної класифікації.
У дипломній роботі представлено дослідження моделі, створеної з використанням штучних нейронних мереж для геологічної класифікації. Робота ведеться за допомогою емпірично-експериментального підходу, типового для машинного навчання. Дослідження проведено на даних геофізичного дослідження свердловин із комплексом методів, що був здійснений в більш ніж двадцяти свердловинах поблизу узбережжя Північного моря. Розглянутий регіон у роботі характеризується покладами вуглеводневих, зокрема нафти. Для порівняння також проведено класифікацію за геофізичними даними що отримані на узбережжі Чорного моря.
Методи дослідження з яких складається комплекс описані у роботі для кращого порозуміння геофізичних властивостей залягаючих порід, які притаманні досліджуваному регіону.

Ключові слова: штучна нейронна мережа, літологічне розчленування, машинне навчання, класифікація, каротаж, шутчний інтелект.

The diploma thesis presents a study of a model created using artificial neural networks for geological classification. The work is carried out using an empirical-experimental approach, typical for machine learning. The research was conducted on data from geophysical well surveys with a set of methods carried out in more than twenty wells near the North Sea coast. The region under consideration in the work is characterized by hydrocarbon deposits, particularly oil. For comparison, classification was also carried out based on geophysical data obtained on the Black Sea coast. The research methods that make up the complex are described in the work for a better understanding of the geophysical properties of the underlying rocks, which are inherent in the region under study.
The conclusion presents the results of creating a multilayer perceptron neural network for classification. The network has three hidden layers, each containing 200 neurons. The activation function ReLU is used. Training optimization is performed using the "adam" method, with the "alpha" parameter set to 0.004, indicating the learning rate. The batch size for training is set to 235 examples.
Key words: neural network, lithology, machine learning, classification, logging.

Білик І. О. Використання нейронних мереж для літологічного розчленування свердловин : кваліфікаційна робота бакалавра : 103 Науки про Землю / Білик Ігор Олегович. - Київ, 2023. - 83 с.