|
Отправлено: 25.08.15 14:19. Заголовок: Как всегда в таких случаях
Как всегда в таких случаях речь идет о поиске компромисса между чисто статистическими и околотеоретическими аппроксимациями Лет 8-мт назад я напропалую строил чисто статистические (была даже заметка в Каротажник), сейчас стал аккуратнее А иранцы и вовсе про применение нейронных сетей пишут Трюков несколько Принципиальный момент - каверны Можно пойти тремя путями -исключать -вводить поправки за проскальзывание - вводить в качестве регрессора Второй момент - что выбрать для этого аппроксимации и прогноза Надо изучить какие переменные и преобразования позволяют прилично спрогнозировать искомую переменную На первом этапе я применяю выбор наимлучшего подмножества регрессоров (вначале исходныкк переменные, потом преобразования от них) Третий момент - сходство материала обучения и экзамена (можно оценочно прикинуть по гистограммам и кросс-плотам по применяемым регрессорам или переменным) Тут может быть игра с целевым интервалом (проблемы могут быть и в литологических замещениях) Четвертый момент - экзамен на одной из скважин где искомая переменная в наличии и подобие (третий момент) соблюдено Тут могут быть игры с переобучением и на этом этапе их отлавливают Пятый этап - если нигде нет проблем восстанавливаю по описанному алгоритму и проверяю на допустимость диапазона (но это скорее из осторожности, поскольку основное проверено на предшествующих этапах) Естественно, что есть и любимые преобразования, но это каждый ищет сам по вкусу и опыту Собственно все Тут никаких откровений нет - пару лет назад о чем-то похожем писали в КАРОТАЖНИКЕ Для меня удобство в привычной технологии (регрессии и визуализация) Немного иная методика применяется в Fugro-CGG, но в принципе все компоненты сходны Надеюсь< что на вопрос ответил в меру возможностей ;-)
|