Використання нейронних мереж для літологічного розчленування свердловин
Дата
2023
Автори
Білик Ігор Олегович
Назва журналу
ISSN журналу
Назва тому
Видавець
Анотація
На самому початку роботи виявлено, що багато свердловин не відповідають вимогам, які необхідні для максимально точної класифікації.
Результати експериментів, де були змінені параметри, показали, що початкове значення має неоднозначність залежно від обсягу вибірки. Тому оптимальна кількість шарів та нейронів в них буде залежати від кількості векторів на вході. На результати вплинула значна різниця в розподілі класів. У деяких класах було дуже мало екземплярів, що призвело до зниження точності класифікатора. Такі свердловини будуть мати меншу точність порівняно з тими, в яких кількість екземплярів класів велика. Це пов'язано з низькою кількістю міток класів, які були використані при навчанні, тому що вибірка була розділена, і, фактично, інформації було ще менше, ніж на гістограмі розподілу кількості класів.
Такий гострий перехід від однієї фації до іншої, не завжди наявний у реальному середовищі. Тому слід зробити поправку на суміжні фації, що можуть залягати поруч із породою та мають схожі петрофізичні властивості, і тим самим врахувати деякі незгідності між класами, як правильно зроблену класифікацію. Це слід враховувати на етапі визначення точності класифікатора.
Спосіб оптимізації, що використовується для навчання мережі, - це "adam", який є покращеним методом стохастичного градієнтного спуску. Параметр "альфа" було встановлено на 0.004, що вказує на швидкість навчання мережі. Розмір пакету для навчання встановлено на 235, що означає, що під час кожного кроку оновлення ваг використовується 235 прикладів з навчального набору даних.
Швидкість навчання визначена як стала, з початковим значенням 0.001, що вказує на початковий крок для оновлення ваг мережі. Максимальна кількість ітерацій навчання встановлена на 500, що означає, що мережа навчатиметься не більше 500 епох.
Ця архітектура та параметри навчання були обрані з метою найбільш ефективного використання навчальних даних, з максимальною точністю класифікації свердловин з літологією в 86%, без урахування суміжних фацій. Але результати можуть змінюватися в залежності від конкретного набору даних, що використовуються для навчання мережі, а також від специфічних особливостей досліджуваних даних.
Ключові слова: штучна нейронна мережа, літологічне розчленування, машинне навчання, класифікація, каротаж, штучний інтелект.
Бібліографічний опис
Галузь знань та спеціальність
10 Природничі науки , 103 Науки про Землю
Бібліографічний опис
Білик І. О. Використання нейронних мереж для літологічного розчленування свердловин : кваліфікаційна робота бакалавра : 103 Науки про Землю / Білик Ігор Олегович. - Київ, 2023. - 83 с.