Browsing by Subject "ANN"

Now showing 1 - 4 of 4

Access status: Restricted ,
Deep learning model for general stock price movement prediction
(Data obrony: 2020-01-23) Mosiński, Jakub
Wydział Inżynierii Mechanicznej i Robotyki
Access status: Open Access ,
Geologic control of soil-infiltration rate based on artificial neural network models
(Wydawnictwa AGH, 2026) Sulistyo, Totok; Bahagiarti Kusumayudha, Sari; Cahyadi, Tedy Agung; Fajar, Reza Adhi; Kiptiah, Mariatul
The interconnected porosity of soil provides conduit channels for the downward infiltration of water into the subsurface; this occurs in soil layers and within soil-less areas or geologic formations. The lithology and geological structure significantly influence the infiltration capacity of soils and are crucial in determining whether the infiltration water continuously reaches an aquifer or becomes stagnant in the saturated soil. An artificial neural network (ANN) algorithm was employed to model the actual infiltration rate, incorporating soil texture and soil moisture along with geological scores as inputs and actual infiltration rates as outputs. This study aimed to quantify qualitative geological data and incorporate it into ANN model parameters. The development of the ANN infiltration model involved two serial trial-and-error experiments to determine the optimal number of nodes in the hidden layer, ranging from nodes c(4,2) to c(12,2), one serial experiment withgeological input, and the other without geological input. Throughout the model testing, metrics such as MAE, RMSE, and MSE were recorded, and the first and second optimum models were identified when employing c(9,2) nodes of hidden layers. The resulting model can be used to predict actual infiltration and will be beneficial for hydrometeorological-disaster mitigation and city-development planning.
Access status: Restricted ,
Modelowanie profilowania geofizyki otworowej na podstawie innych pomiarów z wykorzystaniem sztucznych sieci neuronowych
(Data obrony: 2019-01-25) Jurek, Krzysztof
Wydział Geologii, Geofizyki i Ochrony Środowiska
Celem projektu było modelowanie wartości czasu interwałowego (DT) w profilowaniu akustycznym i gęstości objętościowej (RHOB) w profilowaniu gamma-gamma gęstościowym w oparciu o dostępne dane otworowe z wykorzystaniem sztucznych sieci neuronowych (SSN). Modelowanie zostało wykonane dla klastycznych (iłowcowo-mułowcowo-piaskowcowych) utworów miocenu, występujących w profilach analizowanych otworów wiertniczych. Dla wstępnego rozpoznania zmienności ośrodka geologicznego oraz optymalnego podziału zbioru danych wejściowych do pracy z SSN wykorzystano metodę k-średnich i algorytm V- krotnego testu krzyżowego. Przetestowano wpływ różnych parametrów na efektywność uczenia SSN i wykonano modelowanie zadanych parametrów w oparciu o optymalnie dobrane sieci neuronowe dla otworu Ci-1. Stwierdzono, że wykonanie wiarygodnego modelowania zależy nie tylko od doboru zmiennych, lecz także od sposobu konstrukcji zbioru uczącego. Stwierdzono również, że pozytywne rezultaty przynosi zastosowanie metody k–średnich do wstępnego opracowania zbioru dostępnych danych, które pozwala na zoptymalizowanie procesu uczenia sieci.
Access status: Restricted ,
Uzupełnianie brakujących lub błędnych fragmentów profilowań geofizyki otworowej na podstawie innych pomiarów z wykorzystaniem sztucznych sieci neuronowych
(Data obrony: 2019-01-25) Piwko, Aleksandra
Wydział Geologii, Geofizyki i Ochrony Środowiska
Na podstawie zestawu kompletnych profilowań geofizyki otworowej w części otworu Ja-2 skonstruowano i przeprowadzono proces uczenia sieci neuronowej metodą wstecznej propagacji błędu w celu estymacji indeksu absorpcji elektrycznej (Pe). Następnie zaaplikowano utworzoną sieć do niekompletnych danych w dalszej części otworu i obliczono rozkład parametru (Pe) z głębokością w otworze Ja-2. W oparciu o dane stratygraficzne wybrano w otworze Ja-3 interwał głębokościowy o podobnej litologii. Przy pomocy wcześniej utworzonego algorytmu obliczono rozkład tego samego parametru w wybranym fragmencie otworu Ja-3.