Metody inteligencji komputerowej w analizie danych geofizycznych

Abstract

W pracy przedstawiono model statystyczny ośrodka geologicznego, na którym dokonano klasyfikacji litologicznej na podstawie danych profilowań otworowych. Model utworzono z wykorzystaniem metod sztucznej inteligencji komputerowej. Przeanalizowano 3 odmienne typy sieci neuronowych: klasyczne (ANN), sieci wektorów nośnych (SVM) oraz głębokiego uczenia. Głębokie uczenie jest najbardziej nowatorską metodą maszynowego uczenia, użyteczną zwłaszcza w przypadku pracy z dużymi bazami danych. Metody testowano w dwóch odmiennych środowiskach obliczeniowych – pakiecie R oraz środowisku STATISTICA. Uzyskane rezultaty na poziomie ponad 80% poprawności klasyfikacji pozwalają stwierdzić, iż opracowany model z dość dobrą precyzją oddaje rzeczywisty stan górotworu. Ze względu na dynamiczny rozwój tego rodzaju metod eksploracji danych, należy spodziewać się ich większej dokładności oraz szerszego zastosowania.

In this paper a statistical model of rock has been developed, which performs lithological classification on the basis of well logging data. It is based on computer intelligence methods. Three different types of neural networks were analysed: classic (ANN), support vector machine (SVM) and deep learning. Deep learning is the most innovative method of machine learning and is very useful especially in case of working with big data. The methods were tested in two different computational environments – R and STATISTICA. The results, which exceeded 80% of correct classified samples, lead to the conclusion, that the model simulates real rock state quite well. Regarding a dynamic development of such methods of data mining, they are expected to become more detailed and with wider application.