Применение моделей машинного обучения для прогнозирования проектных уровней добычи полезных ископаемых
DOI: 10.21293/1818-0442-2025-28-3-38-44
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: Нефтегазовая индустрия Российской Федерации – мощный драйвер развития экономики страны – напрямую за-висит от скорости ввода в эксплуатацию новых месторождений по добыче полезных ископаемых. Снижение точ-ности прогнозирования объемов добычи углеводородов российскими компаниями является следствием ухудше-ния качества их ресурсной базы. В данном исследовании оценивается эффективность прогностических моделей на основе машинного обучения для прогнозирования объемов добычи углеводородов. Изложен метод обучения прогностических моделей нейронных сетей, включающий в себя массив геолого-физических и проектных показа-телей разработки месторождений нефти и газа. Восстановлены недостающие геолого-геофизические данные при помощи различных методов аугментации.
Ключевые слова: GRU, LSTM, MLP, CNN1D, аугментация данных, углеводородное сырье, эксплуатационный объект разработки, нормализация данных
Библиография статьи:
Дергачев А. О. Применение моделей машинного обучения для прогнозирования проектных уровней добычи полезных ископаемых / А. О. Дергачев, И. Г. Боровской, В. В. Кручинин // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2025. – Т. 28, № 3. – С. 38–44. DOI: 10.21293/1818-0442-2025-28-3-38-44
Авторы и правообладатели:
- Дергачев А. О. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
- Боровской И. Г. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
- Кручинин В. В. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
- 1. Что такое нейронные сети и как они работают [Электронный ресурс]. – Режим доступа: https://sky.pro/media/neyronnye-seti/ (дата обращения: 21.02.2025).
- 2. Щербакова К.О. Анализ проблемы высокой обводненности добываемой продукции горизонтальных скважин // Изв. высш. учеб. заведений. Геология и разведка. – 2022. – Т. 64, № 6. – С. 29–38. DOI: https://doi.org/10.32454/0016-7762-2022-64-6-29-38.
- 3. Качнов С.А. Обзор методов аугментации текстовых данных // Сборник статей 6-й Междунар. науч. конф. перспективных разработок молодых ученых. – Курск: Юго-Западный гос. ун-т, 2021. – Т. 4. – С. 55–58.
- 4. Рекуррентная нейронная сеть (RNN): виды, обучение, примеры [Электронный ресурс]. – Режим доступа: https://neurohive.io/ru/osnovy-data-science/rekurrentnyenejronnye-seti/ (дата обращения: 11.03.2025).
- 5. Back propagation – алгоритм обучения по методу обратного распространения [Электронный ресурс]. – Режим доступа: https://proproprogs.ru/neural_network/back-propagation-algoritm-obucheniya-po-metodu-obratnogo-rasprostraneniya (дата обращения: 12.03.2025).
- 6. Библиотека глубокого обучения Tensorflow [Электронный ресурс]. – Режим доступа: https://habr.com/ru/companies/ods/articles/324898/ (дата обращения: 25.01.2025).
- 7. Параметры, влияющие на эффективность нейронной сети [Электронный ресурс]. – Режим доступа: http://www.100byte.ru/python/factors/factors.html, свободный (дата обращения: 17.03.2025).
- 8. Борьба с переобучением нейронных сетей: причины, влияние и методы предотвращения [Электронный ресурс]. – Режим доступа: https://na-journal.ru/5-2024-informacionnye-tekhnologii/12045-borba-s-pereobucheniemneironnyh-setei-prichiny-vliyanie-i-metody-predotvrashcheniya/, свободный (дата обращения: 29.03.2025).
- 9. Николенко С. Глубокое обучение. Погружение в мир нейронных сетей / С.И. Николенко, А.А. Кадурин, Е.О. Архангельская. – СПб.: Питер, 2018. – 480 с.
- 10. Гудфеллоу Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. – 2-е изд., испр. – М.: ДМКПресс, 2018. – 652 с.
- 11. Тарик Р. Создаём нейронную сеть. – СПб.: Альфакнига, 2017. – 272 с.
- 12. Шолле Ф. Глубокое обучение на Python. – 2-е изд. – СПб.: Питер, 2023. – 576 с.
- 13. Мэрфи К.П. Вероятностное машинное обучение. – М.: ДМК-Пресс, 2022. – 940 с.
- 14. Николенко С.Н. Машинное обучение. – СПб.: Питер, 2025. – 608 с.
- 15. Ховард Д. Глубокое обучение / Д. Ховард, С. Гуггер. – СПб.: Питер, 2022. – 624 с.
-2026-1_%D0%BA%D0%BE%D0%BF%D0%B8%D1%8F.jpg)
Адрес редакции
Подписка на обновления
