Прогнозирование измерений скважинной записи с использованием нейронных сетей с помощью Keras

Прогнозирование измерений скважинной записи с помощью нейронных сетей Keras

Пример прогнозирования объемной плотности (RHOB) с использованием Keras и иллюстрация влияния нормализации на результаты прогнозирования

Ежедневно собираются большие объемы данных из скважин по всему миру. Однако качество этих данных может значительно варьироваться от отсутствующих данных до данных, затронутых сбоями датчиков и условиями скважины. Это может иметь влияние на другие части подземного проекта, такие как задержки и неточные предположения и выводы.

Поскольку отсутствующие данные являются одной из самых распространенных проблем, с которыми мы сталкиваемся в отношении качества данных логов скважин, было разработано множество методов и техник для оценки значений и заполнения пробелов. Это включает применение технологии машинного обучения, которая стала все более популярной за последние несколько десятилетий с библиотеками, такими как TensorFlow и PyTorch.

В этом руководстве мы будем использовать Keras, который является API нейронных сетей высокого уровня, работающим на базе TensorFlow. Мы будем использовать его для иллюстрации процесса построения модели машинного обучения, позволяющей делать прогнозы объемной плотности (RHOB). Это распространенное измерение, однако оно может значительно зависеть от плохих условий скважины или, в некоторых случаях, инструменты могут выходить из строя, что приводит к отсутствию измерений в ключевых интервалах.

Мы начнем с очень простой модели, которая не учитывает нормализацию входных данных, что является общим шагом в рабочем процессе машинного обучения. Затем мы построим вторую модель с нормализованными входными данными и проиллюстрируем ее влияние на конечный результат прогнозирования.

• Meta AI представляет Habitat 3.0, Habitat Synthetic Scenes Dataset и HomeRobot 3 ключевых достижения в развитии социальных воплощенных AI-агентов.
• Почему вероятностная связь более точна, чем нечеткое сопоставление или подходы на основе частотности терминов
• Читайте со мной Клуб книг об причинно-следственных связях

Импортирование библиотек и загрузка данных

Первый шаг в этом руководстве – импортировать используемые библиотеки.

Для этого учебника нам понадобятся 4 библиотеки:

• Pandas: Загрузка и манипулирование нашим набором данных
• sklearn.model_selection: Создание набора данных для обучения и тестирования
• Tensorflow: Построение и запуск нашей нейронной сети
• matplotlib: Визуализация результатов прогнозирования

Они импортируются следующим образом:

import pandas as pdfrom…