ในด้านวิศวกรรมธรณีวิทยาและน้ำมัน - การสำรวจก๊าซการทำนายที่แม่นยำของความพรุนและการซึมผ่านของหินเป็นสิ่งสำคัญอย่างยิ่ง ปัจจุบันการเรียนรู้ของเครื่องได้แสดงให้เห็นถึงพลังที่ยอดเยี่ยมและจัดหาโซลูชั่นใหม่ให้กับปัญหาที่ยากลำบากนี้ การวิจัยในบทความ "การทำนายความพรุนและการเปลี่ยนแปลงการซึมผ่านตามอัลกอริทึมการเรียนรู้ของเครื่อง" มีวัตถุประสงค์เพื่อสำรวจการบังคับใช้ของเครื่องจักรที่แตกต่างกัน - อัลกอริทึมการเรียนรู้เพื่อการทำนายคุณสมบัติของหิน
การวิจัยดำเนินการทดสอบและวิเคราะห์เกี่ยวกับตัวอย่างแกนเกลือมากกว่า 100 ตัวอย่างสำหรับมากกว่า 10 ลักษณะ (เช่นความเข้มข้นของเกลือความพรุนเริ่มต้นและการซึมผ่านความลึกของตัวอย่าง ฯลฯ ) และสร้างแบบจำลองการทำนายโดยการรวมข้อมูลการวิเคราะห์แกนทั่วไปและพารามิเตอร์ทางธรณีวิทยาอื่น ๆ การทดลองใช้ความหลากหลายของเครื่องจักร - อัลกอริทึมการเรียนรู้รวมถึงการถดถอยเชิงเส้น (ด้วยการทำให้เป็นมาตรฐาน L1 และ L2), ต้นไม้ตัดสินใจ, ป่าสุ่ม, การเพิ่มความลาดชัน, เครือข่ายประสาทและเครื่องเวกเตอร์สนับสนุน (SVM) ฯลฯ
ในหมู่พวกเขาเครือข่ายประสาทสองชั้นที่ซ่อนอยู่ได้ดีที่สุดเมื่อทำนายคุณสมบัติหินทั้งสามของความพรุนการซึมผ่านและความเข้มข้นของเกลือแสดงให้เห็นถึงความเหมาะสมและความสามารถในการเรียนรู้ที่แข็งแกร่ง ผลการวิจัยแสดงให้เห็นว่ามีความสัมพันธ์อย่างมีนัยสำคัญระหว่างการเปลี่ยนแปลงของความพรุนและการซึมผ่านและความเข้มข้นของเกลือ การถดถอยเชิงเส้น, เครื่องเวกเตอร์รองรับและเครือข่ายประสาททำงานได้ดีในการทำนายความพรุนและการซึมผ่านโดยมีค่าR²สูงกว่า 0. 8 แสดงว่าแบบจำลองเหล่านี้สามารถจับแนวโน้มการเปลี่ยนแปลงของความพรุนและการซึมผ่านได้อย่างแม่นยำ อย่างไรก็ตามแบบจำลองการทำนายสำหรับความเข้มข้นของเกลือค่อนข้างอ่อนแอโดยมีค่าR²ใกล้กับ 0. 66 แต่ยังมีความสามารถในการทำนายบางอย่าง
บทสรุปการวิจัยนี้เน้นถึงความสำคัญของการเรียนรู้ของเครื่องจักรในวิศวกรรมธรณีวิทยา มันลดการพึ่งพาการวิเคราะห์ในห้องปฏิบัติการที่มีราคาแพงและเป็นวิธีที่มีประสิทธิภาพในการทำนายคุณสมบัติของหินเมื่อไม่มีข้อมูลการทดลองมากมาย ในอนาคตขอบเขตของชุดข้อมูลสามารถขยายเพิ่มเติมเพื่อตรวจสอบความถูกต้องของวิธีการของเครื่อง - วิธีการเรียนรู้ภายใต้เงื่อนไขทางธรณีวิทยาที่แตกต่างกัน
ในขณะเดียวกันเครื่องอื่น ๆ - อัลกอริทึมการเรียนรู้และเทคนิคการประมวลผลข้อมูลล่วงหน้าสามารถสำรวจได้อย่างต่อเนื่องเพื่อปรับปรุงประสิทธิภาพของแบบจำลองการทำนาย ด้วยการพัฒนาอย่างต่อเนื่องของเทคโนโลยีการเรียนรู้ของเครื่องจะมีบทบาทสำคัญมากขึ้นในด้านวิศวกรรมธรณีวิทยาและการสำรวจก๊าซน้ำมันช่วยให้เราเข้าใจและพัฒนาทรัพยากรใต้ดินได้ดีขึ้นทำให้การทำนายความพรุนและการซึมผ่านไม่ยากอีกต่อไป