ساخت نگاره گرافیکی مصنوعی چاه توسط روش یادگیری حساس به هزینه
عنوان دوره: بیستمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1856-NIGS
نویسندگان
1دانشگاه تهران
2انستیتو مهندسی نفت-دانشگاه تهران
3شرکت نفت مناطق مرکزی ایران
4دانشگاه تربیت مدرس
چکیده
نگاره گرافیکی چاه، تصویری بصری سریع از وضعیت زمینشناسی و رخسارههای زیرِ زمین به دست میدهد. در صورت عدم دسترسی به نگاره گرافیکی یک چاه، میتوان با استفاده از روشهای یادگیری ماشین، رخسارهها را از رویدادههای نگارهها و یا مغزه چاهها پیشبینی کرد. در این راستا، چالشِ عدم تعادل مابین کلاسها، یادگیری کافی و تمایز بین کلاسهای اقلیت و اکثریت را برای طبقهبندی کنندهها دشوار میسازد. این تحقیق بر توسعه یک روش طبقهبندی کننده حساس به هزینه با اصلاح تابع هدف الگوریتم متداول جنگل تصادفی بهمنظور ساخت نگاره گرافیکی مصنوعی چاه تمرکز دارد. ابتدا، نسخه استاندارد این الگوریتم پیادهسازی شد تا پایهای برای مقایسه عملکرد ارائه شود. در مرحله دوم، الگوریتم حساس به هزینه پیشنهادی توسعه یافت. نتایج نشان میدهد که روش حساس به هزینه عملکرد بهتری نسبت به الگوریتم استاندارد در مسئله موردنظر این پژوهش دارد.
کلیدواژه ها
واژه های کلیدی: یادگیری حساس به هزینه؛ نگاره گرافیکی چاه؛ طبقهبندی چند کلاسه؛ عدم تعادل کلاس؛ جنگل تصادفی؛ نگاره چاه
Title
Synthetic graphic well logs generation via Cost-Sensitive Learning
Authors
Mohammad Saleh Jamshidi Gohari, Mohammad Emami Niri, Javad Ghiasi-Freez, Saeid Sadeghnejad
Abstract
The graphic well log offers a quick sight view of the geological condition and underground facies. If it isn't viable to access the graphic well log, machine learning techniques may be used to predict facies from well logs or cores. In this regard, the class imbalance venture makes it difficult for classifiers to adequately learn and distinguish among minority and majority classes. This research focuses on the development of a cost-sensitive classifier by modifying the objective function of the well-known random forest algorithm to construct a synthetic graphic well log. First, a standard version of the algorithm was implemented to provide a basis for performance comparison. In the second stage, a cost-sensitive algorithm was developed. The results indicate that the cost-sensitive method performs better than the standard algorithm in this case study.
Keywords
Keywords: Cost-Sensitive Learning, Graphic Well Log, Multiclass Classification, Class Imbalance, random forest, Well Log