Применение методов машинного обучения для прогноза или замещения недостающих каротажных данных

Известия высших учебных заведений. Приборостроение. 2021. Т. 64. № 7. С. 532–541.

Ахметсафин Р. Д., Ахметсафина Р. З.

В работе сопоставляются 9 методов машинного обучения (ANN, ANFIS, ELM, FM, SVM, GPR, RF, RT, k-NN) на примере прогноза кривых интервального времени (DTp) P-волны на пяти скважинах. Решение задачи регрессии при машинном обучении может применяться не только для прогноза геофизических полей, но и для замещения недостающих данных. Построенную кривую DTp можно рассматривать как прогноз, если позднее предполагается акустический каротаж. Если же дополнительный акустический каротаж невозможен, то синтетическая кривая DTp замещает каротажную при дальнейшей интерпретации. Наилучшие результаты по тестовому испытанию показал метод RF (Random Forests).

Ключевые слова: машинное обучение, регрессия, machine learning, акустический каротаж, acoustic logging, замещение недостающих данных, regression problem, missing data replacement