КЛАССИФИКАЦИЯ ДАННЫХ ДЛЯ ОПТИМИЗАЦИИ РАЗРАБОТКИ НЕФТЯНЫХ МЕСТОРОЖДЕНИЙ
pdf

Ключевые слова

машинное обучение, классификация, метод случайного леса, метод дерева решений, абсолютная проводимость.

Аннотация

В данной статье рассматриваются методы классификации машинного обучения данных в нейронных сетях для оптимизации разработки нефтяных месторождений. В качестве методов машинного обучения берется дерево решений (Decision tree) и метод случайных лесов (Random forest). Синтетический набор данных получен с помощью математической модели Бакли-Леверетта. Математическая модель Бакли-Леверетта используется для определения распределения насыщения в общих задачах добычи нефти. В ходе тестирования алгоритмов классификации общее количество наборов данных составило 134480. В качестве параметров проблемы нефтедобычи выбраны различные комбинации, в которых получены пористость, вязкость и абсолютная проницаемость нефтяной фазы, значение коэффициента нефтеотдачи. Для машинного обучения использовался язык программирования Python. Результаты исследования показали, что метод Random forest имеет более высокие результаты обучения, чем метод Decision tree.

Ключевые слова: машинное обучение, классификация, метод случайного леса, метод дерева решений, абсолютная проводимость.

https://doi.org/10.51775/1999-9801_2021_52_1_98
pdf