Решение задачи динамической интерпретации сейсмических данных при помощи методов машинного обучения

Обложка

Цитировать

Полный текст

Аннотация

   В статье рассматривается проблема динамической интерпретации сейсмических данных с использованием моделей машинного обучения Extremely Randomized Trees (Extra Trees), Gradient Boosting (GB) и Adaptive Boosting (AdaBoost) в применении к указанной задаче. В статье проанализированы некоторые существующие решения поставленной задачи. Описано преимущество выбранных моделей машинного обучения и проведены исследования точности по метрике — среднеквадратическое отклонение от истинных значений. В процессе предварительного анализа исследований, проводимых на смежные темы, авторами данной статьи было выявлено, что вопрос динамической интерпретации и предсказания данных с использованием приведенных в статье методов машинного обучения не был освещен, что и стало основным объектом работы. Далее формализовано применение упомянутых ранее моделей, описаны их особенности и преимущества применимо к решаемой задаче. Исследованы несколько распространенных методов машинного обучения, позволяющих находить функциональные зависимости между входными параметрами, проведены вычислительные эксперименты для оценки их применимости и сравнительного анализа алгоритмов. По результатам экспериментов был сделан вывод, что метод Extra Trees в большей мере подходит для практического применения относительно решаемой задачи, поскольку демонстрирует наиболее высокую точность подбора функциональной зависимости и динамической интерпретации.

Об авторах

В. Р. Вокина

ООО «Тюменский нефтяной научный центр»

Email: vrvokina@tnnc.rosneft.ru
ORCID iD: 0000-0002-9651-1758

А. С. Авдюков

ООО «Тюменский нефтяной научный центр»

ORCID iD: 0009-0009-5125-7379

А. А. Лесив

ООО «Тюменский нефтяной научный центр»

ORCID iD: 0009-0007-6897-488X

И. А. Крупкин

ООО «Тюменский нефтяной научный центр»

ORCID iD: 0009-0003-9482-929X

А. Н. Емельянов

Тюменский индустриальный университет

ORCID iD: 0009-0008-4153-6174

Список литературы

  1. Амани, М. М. М. Применение методов геостатистики в факторно-регрессионном прогнозировании пористости коллекторов по сейсмическим атрибутам / М. М. М. Атамани. – Текст : непосредственный // Молодежь и современные информационные технологии : сборник трудов XVI Международной научно-практической конференции студентов, аспирантов и молодых ученых, 3–7 декабря 2018 года, Томск. – Томск: Томский политехнический университет, 2019. – С. 156–157.
  2. Tarantola, A. Inverse problem theory and methods for model parameter estimation / A. Tarantola. – doi: 10.1137/1.9780898717921. – Direct text. – Philadelphia: Society for industrial and applied mathematics, 2005. – 342 p.
  3. Successful leveraging of image processing and machine learning in seismic structural interpretation : A review / Z. Wang, H. Di, M. A. Shafiq. – doi: 10.1190/tle37060451.1. – Direct text // The Leading Edge. – 2018. – Vol. 37, Issue 6. – P. 451–461.
  4. Obinnaya Chikezie Victor, N. Automated Seismic Interpretation : Machine Learning Technologies are Being used to Develop Automated Seismic Interpretation to Identify Geological Features, Such as Faults and Stratigraphic Horizons / N. Obinnaya Chikezie Victor, L. Oghenechodja Daniel. – doi: 10.51483/IJAIML.3.2.2023.74-98. – Direct text // International Journal of Artificial Intelligence and Machine Learning. – 2023. – Vol. 3, Issue 2. – P. 74–98.
  5. Integration of Multiple Bayesian Optimized Machine Learning Techniques and Conventional Well Logs for Accurate Prediction of Porosity in Carbonate Reservoirs / S. Alatefi, R. Abdel Azim, A. Alkouh, G. Hamada. – doi: 10.3390/pr11051339. – Direct text // Processes. – 2023. – Vol. 11, Issue 5. – P. 1339–1361.
  6. Dietterich, T. G. Ensemble Methods in Machine Learning / T. G. Dietterich. – doi: 10.1007/3-540-45014-9_1. – Direct text // International Workshop on Multiple Classifier Systems. – Berlin, Heidelberg: Springer Berlin Heidelberg, 2000. – P. 1–15.
  7. Polikar, R. Ensemble based systems in decision making / R. Polikar. – doi: 10.1109/MCAS.2006.1688199. – Direct text // IEEE Circuits and Systems Magazine. – 2006. – Vol. 6, Issue 3. – P. 21–45.
  8. Opitz, D. Popular ensemble methods : An empirical study / D. Opitz, R. Maclin. – doi: 10.1613/jair.614. – Direct text // Journal of Artificial Intelligence Research. – 1999. – Vol. 11. – P. 169–198.
  9. Bühlmann, P. Boosting with the L2 Loss : regression and classification / P. Bühlmann, B. Yu. – doi: 10.1198/016214503000125. – Direct text // Journal of the American Statistical Association. – 2003. – Vol. 98, Issue 462. – P. 324–339.
  10. Freund, Y. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting / Y. Freund, R. E. Schapire. – doi: 10.1006/jcss.1997.1504. – Direct text // Journal of Computer and System Sciences. – 1997. – Vol. 55, Issue 1. – P. 119–139.
  11. CatBoost : unbiased boosting with categorical features / L. Prokhorenkova, G. Gusev, A. Vorobev. – doi: 10.48550/arXiv.1706.09516. – Direct text // In Advances in Neural Information Processing Systems. – 2018. – Vol. 31. – P. 6638–6648.
  12. Friedman, J. H. Greedy Function Approximation : A Gradient Boosting Machine / J. H. Friedman. – doi: 10.1214/aos/1013203451. – Direct text // The Annals of Statistics. – 2001. – Vol. 1. – P. 1189–1235.
  13. Geurts, P. Extremely randomized trees / P. Geurts, D. Ernst, L. Wehenkel. – doi: 10.1007/s10994-006-6226-1. – Direct text // Machine learning. – 2006. – Vol. 63. – P. 3–42.
  14. Breiman, L. Random Forests / L. Breiman. – doi: 10.1023/A:1010933404324. – Direct text // Machine Learning. – 2001. – Vol. 45. – P. 5–32.
  15. Scikit-learn : Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort. – doi: 10.5555/1953048.2078195. – Direct text // Journal of Machine Learning research. – 2011. – Vol. 12. – P. 2825–2830.
  16. The Elements of Statistical Learning : Data Mining, Inference, and Prediction / T. Hastie, R. Tibshirani, J. H. Friedman, J. H. Friedman. – Direct text // New York: Springer. – 2009. – Vol. 2. – P. 1–758.
  17. GridSearchCV. – Text : electronic // Scikit-learn : website. – URL: https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html (accessed: 06. 02. 2024).
  18. Biau, G. A random forest guided tour / G. Biau, E. Scornet. – doi: 10.1007/s11749-016-0481-7. – Direct text // Test. – 2016. – Vol. 25. – P. 197–227.
  19. Long, P. M. Random classification noise defeats all convex potential boosters / P. M. Long, R. A. Servedio. – doi: 10.1007/s10994-009-5165-zs. – Direct text // Mach Learn. – 2010. – Vol. 78. – P. 287–304.
  20. Natekin, A. Gradient boosting machines, a tutorial / A. Natekin, A. Knoll. – Text : electronic // Frontiers in Neurorobotics. – 2013. – Vol. 7, Issue 21. – doi: 10.3389/fnbot.2013.00021.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).