|
ИСТИНА |
Войти в систему Регистрация |
ИПМех РАН |
||
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В АНАЛИЗЕ ПОКАЗАТЕЛЕЙ НЕФТЕГАЗОВОЙ ОТРАСЛИдипломная работа (Бакалавр)
- Научные руководители: Ефимов Дмитрий Александрович, Мироненков А.А.
- Автор: Филатов Александр Сергеевич
- Тип: Бакалавр
- Организация, в которой проходила защита: МГУ имени М.В. Ломоносова
- Год защиты: 2020
- Аннотация: Выпускная работа Александра Филатова посвящена изучению возможности использования продвинутых методов машинного обучения, в частности, искусственной нейронных сетей при решении задач, возникающих в нефтегазовой отрасли. Искусственная нейронная сеть как алгоритм машинного обучения впервые была построена достаточно давно, в 40-50хх годах прошлого века, однако широкую популярность нейронные сети приобрели только спустя 60 лет, в 10х годах XXI века. Основным толчком в развитии послужило появление мощной вычислительной базы, в частности, появление процессоров GPU, которые позволяют тренировать искусственные нейронные сети достаточно эффективно. Параллельно появилось новое направление в машинном обучении, которое получило название “глубокое обучение”. Это направление включает тренировку искусственных нейронных сетей с множеством скрытых слоёв и, кроме того, создание новых архитектур нейронных сетей (таких как, например, свёрточные сети и порождающие состязательные сети). Первыми задачами, успешно решёнными с помощью методов глубокого обучения, были задачи распознавания образов и задачи, связанные с текстовыми последовательностями. В нефтегазовой отрасли применение искусственных нейронных сетей достаточно ограничено. В первую очередь это связано с нехваткой необходимых данных (обычно нейронные сети требуют огромного количества данных для обучения). Второй причиной является консервативный подход к решению нефтегазовых задач. Долгое время единственным алгоритмом, применяющимся в этой области, был линейная (логистическая) регрессия. В своей работе Александр Филатов сделал смелую и довольно успешную попытку решения нефтегазовой задачи с помощью искусственной нейронной сети. В первой главе Александр описывает отличия от регрессионных методов, теоретические основы искусственных нейронных сетей, особенности обучения и существующие архитектуры. Во второй главе приводится характеристика российского нефтегазового рынка и перспективы использования искусственных нейронных сетей при решении операционных задач. В третьей главе Александр обучает нейронную сеть для решения задачи предсказания технических показателей нефтяной скважины, используя базовые характеристики. Проводится сравнение моделей, построенных с помощью методов логистической регрессии и нейронных сетей. Применена классическая схема построения моделей машинного обучения, включающая в себя метод скользящего контроля, метод “жадного” поиска метапараметров и выбор оптимальной модели. Помимо этого, студентом произведен поиск и сбор данных, а также перевод этих данных в формат, необходимый для тренировки нейронной сети. В заключении приводятся сравнения между регрессионными моделями и нейронными сетями, делаются выводы о преимуществах и недостатках той или иной модели. Считаю, что работа соответствует основным требованиям, предъявляемым к Выпускным квалификационным работам, и может быть допущена к защите.
- Добавил в систему: Мироненков Алексей Алексеевич