Zastosowanie sieci neuronowych do budowy modeli regresyjnych i klasyfikacji skał

Abstract

Przeprowadzono modelowanie krzywej czasu interwałowego DT przy pomocy metod sztucznej inteligencji, na podstawie innych krzywych pomiarowych z tego samego otworu oraz wyników profilowań geofizyki otworowej z dwóch innych otworów. Wnioski i informacje zdobyte w modelowaniu wykonanym na danych z otworów o znanym DT zostały wykorzystane do konstrukcji modelu dla otworu, w którym DT nie zostało pomierzone. Optymalną krzywą DT otrzymano upraszczając model poprzez zmniejszenie liczby zmiennych wejściowych. Jako kryterium wyboru najlepszej krzywej uznano korelację z rzeczywistymi krzywymi pomierzonymi w innych otworach oraz wartością czasu interwałowego DPEQ obliczoną w aplikacji interpretacyjnej. Dokonano próby podziału utworów w otworach na grupy przy pomocy metod klasyfikacyjnych Kohonena. Poprzez zmianę liczby skupień, do których sieć ma przyporządkowywać przypadki wybrano optymalny model. Grupowanie przypadków sieciami Kohonena odpowiada w przybliżeniu podziałowi litostratygraficznemu w otworach.

Artificial neural network methods was used to model curve of interval times DT in boreholes, based on data from other geophysical curves and other two boreholes in witch DT was measured. The best DT curve was gained simplifying model by reducing number of variables. To choose the best correlation all modeled curves was compared to measured DT and interval time DPEQ, obtained from application estimating geophysical curves, in boreholes in witch DT wasn’t measured. Author also classified soil layers using Kohonen’s self-organizing maps. Optimal model was chosen by changing number of clusters in which artificial network gather samples. The result is comparable to lithostratigraphic divisions received with data.