Разработка модели прогнозирования литологии по геофизическим данным на основе искусственного интеллекта
Аннотация
Выпускная квалификационная работа магистра выполнена на 61 странице, содержит 7 таблиц, 13 рисунков, 35 использованных источника.
Ключевые слова: искусственный интеллект, машинное обучение, литология, горные породы, классификация горных пород, геофизические исследования скважин
Цель работы – разработка модели искусственного интеллекта, способную прогнозировать литологию на основе данных ГИС.
Объект исследования: анализ данных геофизики в условиях прогнозирования результатов литологии.
Предмет исследования: разработка модели прогнозирования литологических исследований по результатам ГИС.
В работе был изучен текущий уровень проблемы прогнозирования литологии и современные решения в сфере data science по предметной области. Был описан набор данных и сделана его предобработка, заключавшееся в уменьшении шумов в данных. Рассматриваются модели машинного обучения позволяющие прогнозировать литологию по данным ГИС. Выбираются метрики для оценки работы моделей машинного обучения. В ходе экспериментов был выбран наиболее эффективный метод – случайный лес. Произведена оценка точности предсказания применяемой модели для каждого класса литологии.
Ключевые слова: искусственный интеллект, машинное обучение, литология, горные породы, классификация горных пород, геофизические исследования скважин
Цель работы – разработка модели искусственного интеллекта, способную прогнозировать литологию на основе данных ГИС.
Объект исследования: анализ данных геофизики в условиях прогнозирования результатов литологии.
Предмет исследования: разработка модели прогнозирования литологических исследований по результатам ГИС.
В работе был изучен текущий уровень проблемы прогнозирования литологии и современные решения в сфере data science по предметной области. Был описан набор данных и сделана его предобработка, заключавшееся в уменьшении шумов в данных. Рассматриваются модели машинного обучения позволяющие прогнозировать литологию по данным ГИС. Выбираются метрики для оценки работы моделей машинного обучения. В ходе экспериментов был выбран наиболее эффективный метод – случайный лес. Произведена оценка точности предсказания применяемой модели для каждого класса литологии.