Заказать работу


Тип работы:
Предмет:
Язык работы:


ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ РЕШЕНИЯ ЗАДАЧ ИНТЕРПРЕТАЦИИ ГЕОФИЗИЧЕСКИХ ДАННЫХ

Работа №33598
Тип работыДипломные работы
Предметматематика
Объем работы33
Год сдачи2019
Стоимость3700 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено 9
Не подходит работа?

Узнай цену на написание
Введение 3
2 Описание и предобработка данных 5
2.1 Формат файла 5
2.2 Каротаж данных 6
2.3 Стратиграфия, константы и табличные значения 7
2.4 Экспертные данные 7
2.5 Предобработка и генерация новых данных 8
3 Анализ данных 10
3.1 Литология 11
3.2 Коллектор и Насыщение 12
4 Используемые методы 14
4.1 Библиотеки Python 14
4.2 Используемое оборудование 15
5 Реализация решателя 16
5.1 Формирование матрицы признаков 16
5.2 Модель машинного обучения 19
5.3 Процесс обучения 21
5.4 Оценка качества 22
5.5 Сборка решателя 24
6 Заключение 25
Список литературы 26
7 Приложение
Актуальность темы: В связи высокого роста количества задач связанных машинным обучением, а также стремительное развитие технологий высоко-нагрузочных вычислений, возникли ряд проблем в отрасли нефтедобычи, в частности задачи в области геофизики. Причем тенденция данного времени вызывает необходимость в создании гибких и портируемых алгоритмов, способных с точность или же с вероятностной оценкой приблизится к желаемому результату. Использование искусственного интеллекта, а в частности машинное обучение и нейросетевое моделирование позволит нам уменьшить время для работы геофизика, занимающегося работой по интерпретации, который обрабатывает в ручную огромный массив данных.
С помощью построенных моделей мы сможем заложить ряд закономерностей и накапливать их по мере необходимости. Огромная положительная сторона в строении моделей в их обработке зашумленных данных, что играет огромную роль для конечного результата.
Постановка задачи: Интерпретация геофизических данных - заключается в нахождении осадочных пород и их разновидностей, коллекторских свойств и их насыщения таких, как нефти, газа или воды. Пусть дана скважина с некоторыми методами каротажа GK, NGK, PS обозначим их - X При этом есть данные эксперта для каждой точки каротажа, обозначим как Y.
Значит задача сводится к задаче обучения с учителем, где X - наблюдаемая величина, а Y - целевая переменная.
Цель: Целью данной выпускной работы является создание сервиса по решению задачи интерпретации геофизических данных средствами машинного обучения и реализации программного продукта для дальнейшего использования в производстве.
Для реализации поставленной цели, разобьем задачу на несколько подзадач.
1. Проанализировать предоставленные данные.
2. Определить модели машинного обучения и нейросети.
3. Построить алгоритм формирования результата не нарушая методологию геофизики.
4. Программная реализация.
Работа объемом 26 листов основного текста состоит из введения, пяти глав, заключения, списка используемой литературы, содержащего 9 источников, и приложения.
В рамках данной работы были рассмотрены и применены методы машинного обучения в задачах интерпретации геофизических данных, а так же реализован сервис по обработке нефтяных скважин.
В первой главе сформулирована цель задачи и актуальность работы.
В второй главе были рассмотрены предоставленные данные. Описание данных и их предобработка.
В третьей главе был представлен обзор и визуализация данных, а так же отбор необходимых кривых для работы и достижения результата. В четвертой главе были выбраны необходимые модули для реализации задачи. В пятой главе были разработаны три независимые модели. Далее были приведены результаты и реализация поставленной цели.
В данной работе был реализован сервис по обработке скважин, который успешно протестирован на 400 скважин с положительным результатом. Применение методов машинного обучения для решения задач интерпретации необходимо. Приведу несколько положительных сторон:
1. Экспресс - система, которая предскажет продуктивный интервал, для дальнейшего углубленного изучения.
2. Адаптация при смене месторождения.
3. Прогноз и оценка скважины уменьшает время на разработку месторождения.
4. В случае нехватки данных или присутствие шумов не искажает результат работы.
5. Построенное решение можно адаптировать под другие задачи в области геофизики.
Хочу выразить искреннею благодарность всем сотрудникам научно-образовательного центра Моделирование ТРИЗ, а в частности руководителя Судакова Владислава Анатольевича, за предоставленную задачу.
[1] Дьяконов Д.И., Общий курс геофизических исследований скважин / Дьяконов Д.И., Леонтьев Е.И, Кузнецов Г.С. Изд. 2-е, перераб. -М: Недра, 1984 — 432 с.
[2] Доусон, М. Программируем на python / М. Доусон. Пер. с англ. -СПб.: «Питер», 2016. - 416 с.
[3] Документация библиотеки keras [Электронный ресурс] // keras.io информ.-справочный портал — 2019. URL: https://keras.io/ (дата обращения: 05.04.2019).
[4] Косков В.Н., Геофизические исследования скважин и интерпретация данных ГИС / В. Н. Косков, Б. В. Косков. - Пермь: Изд-во Перм. гос.техн. ун-та, 2007. - 317 с.
[5] Chen J., Application of Machine Learning in Rock Facies Classification with Physics-Motivated Feature Augmentation [Электронный ресурс] / J.Chen, 2018. Режим доступа: https://arxiv.org/abs/1808.09856, свободный.
[6] Ismagilov A., Machine Learning Approach to Open Hole Interpretation and Static Modelling Applied to a Giant Field / Ismagilov A., Sudakov V., Murtazin T., Nurgaliev D., Usmanov S., Nugumanova N.// SPE Russian Petroleum Technology Conference, 2018.
[7] LAS 1.2. A FLOPPY DISK STANDARD FOR LOG DATA. / Canadian Well Logging Society Floppy Disk Committee. 1990 - http://www.cwls.org
[8] LAS 2.0. A FLOPPY DISK STANDARD FOR LOG DATA / Canadian Well Logging Society Floppy Disk Committee. 1992 - http://www.cwls.org
[9] Tschannen V., Facies classification from well logs using an inception convolutional network [Электронный ресурс] / V.Tschannen, 2017.Режим доступа: https://arxiv.org/abs/1706.00613, свободный.

Работу высылаем на протяжении 30 минут после оплаты.

Пожалуйста, укажите откуда вы узнали о сайте!




Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании студенческих
и аспирантских работ!



Актуальность темы: В связи высокого роста количества задач связанных машинным обучением, а также стремительное развитие технологий высоко-нагрузочных вычислений, возникли ряд проблем в отрасли нефтедобычи, в частности задачи в области геофизики. Причем тенденция данного времени вызывает необходимость в создании гибких и портируемых алгоритмов, способных с точность или же с вероятностной оценкой приблизится к желаемому результату. Использование искусственного интеллекта, а в частности машинное обучение и нейросетевое моделирование позволит нам уменьшить время для работы геофизика, занимающегося работой по интерпретации, который обрабатывает в ручную огромный массив данных.
С помощью построенных моделей мы сможем заложить ряд закономерностей и накапливать их по мере необходимости. Огромная положительная сторона в строении моделей в их обработке зашумленных данных, что играет огромную роль для конечного результата.
Постановка задачи: Интерпретация геофизических данных - заключается в нахождении осадочных пород и их разновидностей, коллекторских свойств и их насыщения таких, как нефти, газа или воды. Пусть дана скважина с некоторыми методами каротажа GK, NGK, PS обозначим их - X При этом есть данные эксперта для каждой точки каротажа, обозначим как Y.
Значит задача сводится к задаче обучения с учителем, где X - наблюдаемая величина, а Y - целевая переменная.
Цель: Целью данной выпускной работы является создание сервиса по решению задачи интерпретации геофизических данных средствами машинного обучения и реализации программного продукта для дальнейшего использования в производстве.
Для реализации поставленной цели, разобьем задачу на несколько подзадач.
1. Проанализировать предоставленные данные.
2. Определить модели машинного обучения и нейросети.
3. Построить алгоритм формирования результата не нарушая методологию геофизики.
4. Программная реализация.
Работа объемом 26 листов основного текста состоит из введения, пяти глав, заключения, списка используемой литературы, содержащего 9 источников, и приложения.

В рамках данной работы были рассмотрены и применены методы машинного обучения в задачах интерпретации геофизических данных, а так же реализован сервис по обработке нефтяных скважин.
В первой главе сформулирована цель задачи и актуальность работы.
В второй главе были рассмотрены предоставленные данные. Описание данных и их предобработка.
В третьей главе был представлен обзор и визуализация данных, а так же отбор необходимых кривых для работы и достижения результата. В четвертой главе были выбраны необходимые модули для реализации задачи. В пятой главе были разработаны три независимые модели. Далее были приведены результаты и реализация поставленной цели.
В данной работе был реализован сервис по обработке скважин, который успешно протестирован на 400 скважин с положительным результатом. Применение методов машинного обучения для решения задач интерпретации необходимо. Приведу несколько положительных сторон:
1. Экспресс - система, которая предскажет продуктивный интервал, для дальнейшего углубленного изучения.
2. Адаптация при смене месторождения.
3. Прогноз и оценка скважины уменьшает время на разработку месторождения.
4. В случае нехватки данных или присутствие шумов не искажает результат работы.
5. Построенное решение можно адаптировать под другие задачи в области геофизики.
Хочу выразить искреннею благодарность всем сотрудникам научно-образовательного центра Моделирование ТРИЗ, а в частности руководителя Судакова Владислава Анатольевича, за предоставленную задачу.



[1] Дьяконов Д.И., Общий курс геофизических исследований скважин / Дьяконов Д.И., Леонтьев Е.И, Кузнецов Г.С. Изд. 2-е, перераб. -М: Недра, 1984 — 432 с.
[2] Доусон, М. Программируем на python / М. Доусон. Пер. с англ. -СПб.: «Питер», 2016. - 416 с.
[3] Документация библиотеки keras [Электронный ресурс] // keras.io информ.-справочный портал — 2019. URL: https://keras.io/ (дата обращения: 05.04.2019).
[4] Косков В.Н., Геофизические исследования скважин и интерпретация данных ГИС / В. Н. Косков, Б. В. Косков. - Пермь: Изд-во Перм. гос.техн. ун-та, 2007. - 317 с.
[5] Chen J., Application of Machine Learning in Rock Facies Classification with Physics-Motivated Feature Augmentation [Электронный ресурс] / J.Chen, 2018. Режим доступа: https://arxiv.org/abs/1808.09856, свободный.
[6] Ismagilov A., Machine Learning Approach to Open Hole Interpretation and Static Modelling Applied to a Giant Field / Ismagilov A., Sudakov V., Murtazin T., Nurgaliev D., Usmanov S., Nugumanova N.// SPE Russian Petroleum Technology Conference, 2018.
[7] LAS 1.2. A FLOPPY DISK STANDARD FOR LOG DATA. / Canadian Well Logging Society Floppy Disk Committee. 1990 - http://www.cwls.org
[8] LAS 2.0. A FLOPPY DISK STANDARD FOR LOG DATA / Canadian Well Logging Society Floppy Disk Committee. 1992 - http://www.cwls.org
[9] Tschannen V., Facies classification from well logs using an inception convolutional network [Электронный ресурс] / V.Tschannen, 2017.Режим доступа: https://arxiv.org/abs/1706.00613, свободный.


Работу высылаем на протяжении 30 минут после оплаты.

Пожалуйста, укажите откуда вы узнали о сайте!



© 2008-2018 Сервис продажи готовых курсовых работ, дипломных проектов, рефератов, контрольных и прочих студенческих работ.