Ģeoloģiskās inženierijas un naftas gāzes izpētes jomā ir ārkārtīgi svarīgi precīzi prognozēt iežu porainību un caurlaidību. Pašlaik mašīnmācība ir parādījusi lielu jaudu un nodrošinājusi jaunus risinājumus šai sarežģītajai problēmai. Pētījumā rakstā "Porainības un caurlaidības izmaiņu prognozēšana, pamatojoties uz mašīnmācīšanās algoritmiem" "mērķis ir izpētīt dažādu mašīnu - mācīšanās algoritmu piemērojamību klinšu īpašību prognozēšanai.
Pētījumā tika veikti testi un analīzes vairāk nekā 100 sāls - nesošiem paraugiem vairāk nekā 10 raksturlielumiem (piemēram, sāls koncentrācijai, sākotnējā porainība un caurlaidība, parauga dziļums utt.) Un izveidoja prognozēšanas modeli, apvienojot parastos kodola analīzes datus un citus ģeoloģiskos parametrus. Eksperimentā tika izmantoti dažādi mašīnas - mācību algoritmi, ieskaitot lineāro regresiju (ar L1 un L2 legalizāciju), lēmumu koki, nejauši meži, gradienta pastiprināšana, neironu tīkli un atbalsta vektoru mašīnas (SVM) utt.
Starp tiem divkāršais slēptais - slāņa neironu tīkls darbojās vislabāk, prognozējot trīs porainības, caurlaidības un sāls koncentrācijas iežu īpašības, pilnībā parādot tās spēcīgās pieguļošās un mācīšanās iespējas. Pētījuma rezultāti rāda, ka pastāv ievērojama korelācija starp porainības un caurlaidības un sāls koncentrācijas izmaiņām. Lineārā regresija, atbalsta vektoru mašīnas un neironu tīkli labi darbojas porainības un caurlaidības prognozēšanā, R² vērtībām ir augstākas par 0. 8, norādot, ka šie modeļi var samērā precīzi uztvert mainīgās porainības un caurlaidības tendences. Tomēr sāls koncentrācijas prognozēšanas modelis ir salīdzinoši vāja, ar R² vērtību tuvu 0. 66, bet tam joprojām ir noteikta paredzamā spēja.
Šis pētījuma secinājums uzsver mašīnmācības nozīmi ģeoloģiskajā inženierijā. Tas samazina atkarību no dārgām laboratorijas analīzēm un nodrošina efektīvu veidu, kā paredzēt iežu īpašības, ja trūkst bagātīgu eksperimentālu datu. Nākotnē datu kopas apjomu var vēl vairāk paplašināt, lai pārbaudītu mašīnas precizitāti - mācību metožu dažādos ģeoloģiskos apstākļos.
Tajā pašā laikā citu mašīnu - mācību algoritmu un datu pirmsapstrādes metodes var nepārtraukti izpētīt, lai uzlabotu prognozēšanas modeļa veiktspēju. Nepārtraukti attīstot tehnoloģiju, mašīnmācībai būs arvien nozīmīgāka loma ģeoloģiskās inženierijas un naftas ieguves izpētē, palīdzot mums labāk izprast un attīstīt pazemes resursus, padarot porainības un caurlaidības prognozēšanu vairs nav grūta un injicējot jaunu vitalitāti nozares attīstībā.
