Öğrenen Makineler Ve Fasiyes Ayrımı; İlk Sonuçlar

Authors : Ayetullah Erçel, Emin Uğur Ulugergerli
Pages : 31-43
Doi:10.70447/ktve.2322
View : 34 | Download : 1
Publication Date : 2024-02-29
Article Type : Research Paper
Abstract :[tur] Yapay zeka ve makine öğrenmesi uygulamaları kuyu loglarından jeolojik istifin ayırtlanması için kullanılmıştır. Kuyu logu verilerinden yola çıkarak fasiyesleri tahmin etmek için danışmalı makine öğrenmesi yöntemi sınıflayıcılarından biri olan takviyeli türev algoritmasından yararlanılarak ağaç tabanlı bir eğitim modeli geliştirilmiştir ve tahmin başarı oranını arttırmak için veri topluluğu üzerinde iyileştirmeler yapılmıştır. Veri topluluğu olarak, Society of exploration geophysics tarafından makine öğrenmesi için önerilen, Kansas (ABD) civarındaki kuyu verileri kullanılmıştır. Çalışmada kuyu logları tanıtılmış, makine öğrenmesi yöntemi olarak takviyeli türev sınıflayıcı algoritması, verilerin sınıflandırılması açıklanmış ve deneme kuyusu üzerinde % 57, komşu fasiyes bilgisi ile %88 oranında doğruluk ile elde edilen tahmin sonuçları elde edilmiştir. [eng] Artificial intelligence and machine learning applications have been used to distinguish the geological sequence from well logs. A tree-based training model was developed using the reinforced derivative algorithm, one of the consultative machine learning method classifiers, to predict facies based on well log data, and improvements were made on the data collection to increase the prediction success rate. As the data collection, well data around Kansas (USA), recommended for machine learning by the Society of exploration geophysics, was used. In the study, well logs were introduced, the reinforced derivative classifier algorithm as a machine learning method and the classification of data were explained, and prediction results were obtained with 57% accuracy on the trial well and 88% accuracy with adjacent facies information
Keywords : makine öğrenmesi, gradient boosting, kuyu logları, machine learning, gradient boosting, well logs

ORIGINAL ARTICLE URL