Интеграция алгоритмов распознавания литологических типов

Автор: Амиргалиев Едилхан Несипханович, Искаков Сырымбет Хасанович, Кучин Ян Игоревич, Мухамедиев Равиль Ильгизович

Журнал: Проблемы информатики @problem-info

Рубрика: Теоретическая информатика

Статья в выпуске: 4 (21), 2013 года.

Бесплатный доступ

Описаны результаты исследования применения искусственных нейронных сетей (ИНС) в за­даче распознавания литологических типов на месторождениях урана в Казахстане, приведено сравнение метрических и статистических алгоритмов классификации с ИНС. Предваритель­ные исследования показали, что использование только ИНС позволяет достигать на отдельных выборках от 66 до 73 % совпадения интерпретированных данных с экспериментальными ре­зультатами, полученными в том числе в результате кернового апробирования. Показано, что применение других алгоритмов способно улучшить качество распознавания отдельных пород. Сформулирована задача построения интегрированного классификатора на основе использо­вания множества алгоритмов. Предложен простой алгоритм обучения и распознавания для классификатора этапа постобработки, который обеспечивает улучшение качества распознава­ния на 2–3 %. Обсуждаются возможности улучшения интегрированного классификатора.

Еще

Интеллектуальные системы, геофизическое исследование скважин, ма­шинное обучение, искусственные нейронные сети, алгоритм k-nn, месторождения урана, пре­добработка данных, постобработка данных

Короткий адрес: https://sciup.org/14320216

IDR: 14320216

Список литературы Интеграция алгоритмов распознавания литологических типов

  • Russell S., Norvig P. Arti.cial intelligence: a modern approach. Upper Saddle River (New Jersey): Pearson edition, Inc., 2010.
  • Jones M. T. Arti.cial intelligence: a systems approach. In.nity science press LLC. Hingham -Massachusetts -New Delhi, 2008.
  • Кохонен Т. Ассоциативная память. М.: Мир, 1980.
  • Baldwin J. L., Bateman R. M., Wheatley C. L. Application of a neural network to the problem of mineral identi.cation from well logs//The Log Analyst. 1990. N 3. P. 279-293.
  • Benaouda B., Wadge G., Whitmark R. B., Rothwell R. G., MacLeod C. Inferring the lithology of borehole rocks by applying neural network classi.ers to downhole logs -an example from the Ocean drilling program//Geophys. J. intern. 1999. N 136. P. 477-491.
  • Saggaf M. M., Nebrija Ed. L. Estimation of missing logs by regularized neural networks//AAPG Bul. 2003. V. 87, N 8. P. 1377-1389.
  • Тененев В. А., Якимович Б. А., Сенилов М. А., Паклин Н. Б. Интеллектуальные системы интерпретации геофизических исследований скважин//Штучний.нтелект. 2002. N. 3.
  • Yelbig K., Treitel S. Computational neural networks for geophysical data processing. 2001.
  • Borsaru M., Zhou B., Aizawa T., Karashima H., Hashimoto T. Automated lithology pre­diction from PGNAA and other geophysical logs//Appl.RadiationAndIsotopes.2006.N64. P.272-282.
  • Rogers S. J., Chen H. C., Kopaska-Merkel D. C., Fang J. H. Predicting permeability from porosity using arti.cial neural networks//AAPG Bulletin. 1995. N 79. P. 786-1797.
  • Kapur L., Lake L., Sepehrnoori K., Herrick D., Kalkomey C. Facies prediction from core and log data using arti.cial neural network technology//Trans. of 39th soc. of professional well log analysts annual logging symp. 1998.
  • Алешин С. П., Ляхов А. Л. Нейросетевая оценка минерально-сырьевой базы регио­на по данным геофизического мониторинга//Новi технологi... 2011. № 1 (31). [Режим доступа]: http://www.nbuv.gov.ua/portal/natural/newtech/2011_1/articles/2-3.pdf.
  • Карпенко А. Н., Булмасов О. В. Применение нейросетевых технологий при интер­претации данных геофизических исследований скважин. [Режим доступа]: http://oil-gas.platinov­s.com/index.php?name=articles&op=view&id=11&pag=3&num=1.
  • Raynal J. C., Serge A., Sagot A. M., et al. Organization of.eld tests and evaluation of tricone bit performance using statistical analysis and sonic logs//J. Petroleum Technology. 1971.
  • Rogers S. J., Fang J. H., Karr C. L., Stanley D. A. Determination of lithology from well logs using a neural network//AAPG Bul. 1992. N 76 (5). P. 731-739.
  • Bueno E. O. J., Perez I. C., Escamilla G., et al. Applications of arti.cial neural networks and dipole sonic anisotropy in low-porosity, naturally fractured, complex lithology formations in the southernlandregionofMexico//1stIntern.oilconf.andexhib, Mexico(Cancun),Aug.31 -Sept.2,2006.
  • Benaouda D., Wadge G., Whitmarsh R. B., et al. Inferring the lithology of borehole rocks by applying neural network classi.ers to downhole logs: an example from the Ocean drilling program//Geophys. J. intern. 1999. N 136 (2). P. 477-491.
  • Костиков Д. В. Инструментальные средства интерпретации геофизических исследований скважин на основе преобразованных каротажных диаграмм с помощью многослойной нейронной сети. Автореф. дис.... канд. техн. наук. М.: РГБ, 2007.
  • Kuchin Y., Muhamedyev R., Muhamedyeva L. Interpretation of log data of boreholes//The 9th Intern. conf. “Inform. technol. and management”, Riga (Latvia), Apr. 14-15, 2011.
  • Kuchin Y. I., Muhamedyev R. I., Muhamedyeva E. L., Gricenko P., Nurushev Zh., Yakunin K. The analysis of the data of geophysical research of boreholes by means of arti.cial neural networks//5th Intern. conf. “Innovative inf. technol. for science, business and education”, Vilnus (Lietuva), May 10-12, 2012.
  • Muhamediyev R. I., Kuchin Y., Muhamedyeva E. Recognition of geological rocks at the bedded-in.ltration uranium.elds by using neural networks//IEEE conf. on open systems. Kuala Lumpur, 2012. IEEE Xplore database: http://cs.ieeemalaysia.org/ICOS2012/. Digital object identi.er: 10.1109/ICOS.2012.6417622.
  • Jashin S. A. Underground acidic in situ leaching of uranium at the Kazakhstan deposits//Gorny Zurnal. 2008. N 3.
  • Нейрокомпьютеры: учеб. пособие для вузов. М.: Изд-во МГТУ им. Н. Э. Баумана, 2004.
  • Амиргалиев Е.Н., Кучин Я.В., Искаков С.Х., Мухамедиев Р. И., Мухамедие­ваЕ. Л. Оценка качества нейросетевого распознавания литологических слоев на урановых место­рождениях//Материалы науч.-практ. конф. “Актуальные проблемы информатики и процессов управления”. Алма-Ата (Казахстан): Институт проблем информатики и управления. С. 262-270.
  • Royer J. J. Predicting faults form curvatures of deformed geological layers viewed as thin plates//ECMOR XIII: 13th European conf. on the math. of oil recovery, Biarritz (France), Sept. 10-13, 2012.
  • Журавлев Ю. И. Об алгебраических методах в задачах распознавания и классификации. Математические методы и их применение. Распознавание. Классификация. Прогноз//Докл. Акад. наук СССР. 1988. Вып. 1. С. 9-16.
  • Журавлев Ю. И., Гуревич И. Б. Распознавание образов и распознавание изображений. Распознавание. Классификация. Прогноз//Докл. Акад. наук СССР. 1989. Вып. 1. С. 5-72.
Еще
Статья научная