CN111723949A - 基于选择性集成学习的孔隙度预测方法 - Google Patents
基于选择性集成学习的孔隙度预测方法 Download PDFInfo
- Publication number
- CN111723949A CN111723949A CN202010590575.9A CN202010590575A CN111723949A CN 111723949 A CN111723949 A CN 111723949A CN 202010590575 A CN202010590575 A CN 202010590575A CN 111723949 A CN111723949 A CN 111723949A
- Authority
- CN
- China
- Prior art keywords
- learning
- individual
- model
- learning model
- regression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000010801 machine learning Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 32
- 230000000052 comparative effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007636 ensemble learning method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
- G01V2210/6244—Porosity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Computational Linguistics (AREA)
- Fluid Mechanics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于选择性集成学习的孔隙度预测方法。该方法在研究分析典型机器学习方法的基础上,通过“主成分方法分析”法从支持向量机、径向基(radical basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由“主成分权重平均”法获得,最终采用加权平均法得到集成学习模型的输出。该模型简称PCA‑SEN模型。PCA‑SEN模型克服了单一模型存在的不足,模型的泛化能力强。通过该方法对储层孔隙度进行预测,以期得到更准确的预测结果。
Description
技术领域
本发明涉及机器学习领域,特别涉及基于选择性集成学习的孔隙度预测方法。
背景技术
利用机器学习方法解决实际问题时,单一学习器往往存在普适性差、稳定性低等缺点,在这种情况下,集成学习应运而生。集成学习是通过将多个个体学习器组合成一个预测模型来获得比单个学习器更优的预测性能的方法。目前集成学习已被广泛应用于诸多领域,针对分类问题,如手写识别、人脸识别、图像识别等方面,集成学习已经取得了不错的成绩;针对回归问题,集成学习在此方面的研究起步较晚,研究成果也相对较少,如电力负荷预测、金融领域等方面。但是集成学习仍然存在一些需要进一步解决的问题。在实际应用中,经常存在可用的训练样本少、准确性不高、噪声等问题,这些都增加了算法设计的复杂性。从集成学习本身来说,如何构建出具有较高的准确度而又具有较大差异度的学习器,仍然是一件难事。其次,随着个体学习器数目的增加,导致了算法的计算速度变慢、存储开销变大。而选择性集成学习的出现,为解决普通集成学习所不能解决的问题提供了新思路。选择性集成学习是指在进行分类或回归预测时,对训练出的多个个体学习器先进行“选择”,从中选择部分彼此差异大、泛化能力强的个体学习器,然后再将选择出来的个体学习器进行“组合”,组合后的筛选模型将比全量模型预测精度更高。选择性集成可以看成是对集成学习的改进,它的性能优于普通的集成学习。近些年,选择性集成学习在各行各业均取得了一定的研究成果,如人脸识别、水质量检测、时序预测等,随着选择性集成学习的迅猛发展,其具有的功能优势越发明显,已被广泛应用于机器学习研究领域。然而,将选择性集成学习引入到储层参数预测中,目前相关的研究资料较少。
孔隙度作为一种重要的储层参数,是油气勘探开发的先决条件以及解释地层的基础和关键,利用已有井的数据建立地质模型来预测未知领域的孔隙度是非常重要和必要的。常规孔隙度预测方法,如反演法、经验公式法或多元回归等方法虽然原理简单、易操作,但误差较大;人工神经网络、支持向量机、岭回归等单一机器学习方法虽然能够解决复杂的非线性映射问题,且较常规方法的解释精度更高,但是也存在普适性差、稳定性低等缺点。因此,设计一种能够准确预测孔隙度的模型具有非常重要的实际意义和研究意义。
发明内容
针对现有孔隙度预测方法存在的问题,本发明提出了一种基于选择性集成学习的孔隙度预测方法。该方法在研究分析典型机器学习方法的基础上,通过“主成分方法分析”法从支持向量机、径向基(radicalbasisfunction,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由“主成分权重平均”法获得,最终采用加权平均法得到集成学习模型的输出。该模型简称PCA-SEN模型。通过该方法对储层孔隙度进行预测,以期得到更准确的预测结果。
本发明提供一种一种基于选择性集成学习的孔隙度预测方法,其特征在于,该方法采用“主成分方法分析”法从支持向量机、径向基(radicalbasisfunction,RBF)神经网络、随机森林、岭回归和K近邻回归的经典模型中选择出一组个体学习模型组成集成学习模型,所述个体学习模型在所述集成学习模型中的权重由“主成分权重平均”法获得,最终采用加权平均法得到所述集成学习模型的输出,该模型简称PCA-SEN模型,主要包括以下部分:
A、研究并分析典型机器学习方法,建立所述个体学习模型;
B、采用“主成分方法分析”法选择策略,选择部分所述个体学习模型组成所述集成学习模型;
C、采用“主成分权重平均”法组合策略,获得所述个体学习模型的权重,并采用加权平均法得到所述集成学习模型的输出。
部分A中,通过研究对比和实验分析,总结出不同的单一机器学习方法形成的个体学习模型在预测时的优缺点。本发明中采用的单一机器学习方法包括支持向量机、RBF神经网络、随机森林、岭回归和K近邻回归。其各自的优缺点为:
①支持向量机
优势:适合小样本非线性函数拟合;泛化能力强;局部最优解是全局最优解。
不足:对于解决大规模训练样本问题,难以实施;对于解决多分类问题,存在困难;对缺失数据敏感,对参数和核函数的选择敏感。
②RBF神经网络
优势:具有极强的逼近能力,可以任意精度逼近任意的非线性函数;收敛速度快、不存在局部极值。
不足:容错能力较弱,特别是当输入样本中带有较大误差或有个别错误时,网络的输出变化很大;在训练样本较多的情况下,网络规模较大。
③随机森林
优势:简单、容易实现、计算开销小;能够处理很高维度的数据,并且不用做特征选择;泛化能力强;对缺失值不敏感;
不足:在噪声较大的分类或回归问题上容易产生过拟合;对小数据或低维数据,分类效果不佳;对于有不同取值的属性的数据,取值划分较多的属性会对随机森林产生更大的影响。
④岭回归
优势:可以解决变量之间存在共线性的问题;可以解决特征数量比样本量多的问题。
不足:模型解释性差、容易过拟合。
⑤K近邻回归
优势:易于实现,无需估计参数,无需训练;训练时间复杂度比较低;适用于样本容量比较大的情况。
不足:当特征数非常多的时候,计算量大;当样本不平衡的时候,对稀有类别的预测准确率低;使用懒散学习方法,预测时速度比较慢。
部分B中,采用“主成分方法分析”法选择策略,从支持向量机、RBF神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型。
其中,“主成分方法分析”法,即将训练数据采用5种机器学习方法进行训练学习,并对训练数据进行一次预测分析。对每条训练数据采用不同机器学习方法得到的预测值与真实值进行比较,选择预测值最优所对应的机器学习方法作为该条数据所采用的方法,并统计每种机器学习方法所通过的样本数,以及在总的训练样本中所占的比例。最后,根据比例选择出几种最优的机器学习方法,组成集成学习模型中的个体学习模型。
部分C中,采用“主成分权重平均”法组合策略,获得个体学习模型的权重,并采用加权平均法得到集成学习模型的输出。
其中,“主成分权重平均”法,即将训练数据利用个体学习器进行建模预测,对每条训练数据采用不同个体学习模型得到的预测值与真实值进行比较,选择预测值最优所对应的个体学习模型作为该条数据所采用的模型,并统计每个学习模型所通过的样本数,以及在总的训练样本中所占的比例,即为该学习模型的权重因子。
附图说明
图1为本发明的基于PCA-SEN模型的孔隙度预测整体框架图;
图2为本发明的选择性集成学习方法中选择策略示意图一;
图3为本发明的选择性集成学习方法中组合策略示意图二。
具体实施方式
为使本发明的目标、技术方案更加清楚明了,下面将结合附图对本发明的实施方法进行详细描述。
本发明的整体思路是针对单一机器学习预测孔隙度方法存在的容错率低、过拟合等问题,提出一种选择性集成学习预测孔隙度的方法,该方法在研究分析典型机器学习方法的基础上,通过“主成分方法分析”法从支持向量回归、RBF神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体学习模型在集成学习模型中的权重由“主成分权重平均”法获得,最终采用加权平均法得到集成学习模型的输出。该模型简称PCA-SEN模型。通过该模型对储层孔隙度进行预测,能够得到更准确的预测结果。
下面结合附图,对本发明提出的PCA-SEN模型在孔隙度预测中的应用进行解释和说明。
图1介绍了本发明的PCA-SEN模型孔隙度预测的整体框架,如图所示,主要包括以下几个方面:
①将测井曲线数据分别输入SVM、RBF神经网络、随机森林、岭回归和K近邻回归模型进行预测。
②将预测结果采用“主成分方法分析”法进行“选择”,优选出选择性集成学习模型中的个体学习模型。
③将优选出来的个体学习模型采用“主成分权重平均”法进行“组合”,并输出最终的组合结果。
如图2所示,“主成分方法分析”法选择策略的具体步骤如下:
①将n条训练数据分别利用SVM、RBF神经网络、随机森林、岭回归和K近邻回归方法进行建模,得到五个回归方程式分别为g=f1(x)、g=f2(x)、g=f3(x)、g=f4(x)和g=f5(x)。
②对于任意一条训练数据(xk,yk),采用上述五个模型进行预测,得到五个不同的输出值f1(xk)、f2(xk)、f3(xk)、f4(xk)和f5(xk),分别将每种方法的输出值和真实值对比,选择输出值与真实值误差最小所对应的机器学习方法作为该条数据所采用的方法。比较公式如下:
min{yk-fi(xk)}i=1,2,…5;
③对所有训练数据,重复步骤②,得到每种机器学习方法所通过的样本数,分别记为p1,p2,p3,p4,p5,且满足p1+p2+p3+p4+p5=n。
④将步骤③得到的样本数,根据下式进行降序排序。
⑤选择符合条件的机器学习方法,组成集成学习模型的个体学习模型,其选择的公式如下:
如图3所示,“主成分权重平均”法组合策略的具体步骤如下:
①将n条训练样本分别采用个体学习器1、个体学习器2和个体学习器3进行建模,得到三个回归方程分别为f1(x)、f2(x)和f5(x)。
②对于任意一条训练数据(xk,yk),得到三个不同的输出值f1(xk)、f2(xk)和f3(xk),分别将每种方法的输出值和真实值对比,选择输出值与真实值误差最小所对应的机器学习方法作为该条数据所采用的方法。比较公式如下:
min{|yk-f1(xk)|,|yk-f2(xk)|,|yk-f3(xk)}
③对所有训练数据,重复步骤②,得到每种机器学习方法所通过的样本数,分别记为t1、t2、t3,且满足t1+t2+t3=n。
④计算每种模型的权重因子,权重公式如下:
Claims (4)
1.一种基于选择性集成学习的孔隙度预测方法,其特征在于,该方法采用“主成分方法分析”法从支持向量机、径向基(radical basis function,RBF)神经网络、随机森林、岭回归和K近邻回归的经典模型中选择出一组个体学习模型组成集成学习模型,所述个体学习模型在所述集成学习模型中的权重由“主成分权重平均”法获得,最终采用加权平均法得到所述集成学习模型的输出,该模型主要包括以下部分:
A、研究并分析典型机器学习方法,建立所述个体学习模型;
B、采用“主成分方法分析”法选择策略,选择部分所述个体学习模型组成所述集成学习模型;
C、采用“主成分权重平均”法组合策略,获得所述个体学习模型的权重,并采用加权平均法得到所述集成学习模型的输出。
2.根据权利要求1所述的基于选择性集成学习的孔隙度预测方法,其特征在于,所述的部分A中,所述个体学习模型包括支持向量机、RBF神经网络、随机森林、岭回归和K近邻回归。
3.根据权利要求2所述的基于选择性集成学习的孔隙度预测方法,其特征在于,所述的部分B中,采用“主成分方法分析”法选择策略,从支持向量机、RBF神经网络、随机森林、岭回归和K近邻回归的经典模型中选择出一组表现优异的所述个体学习模型组成所述集成学习模型;
其中,“主成分方法分析”法,即将训练数据采用上述5种机器学习方法进行训练学习,并对训练数据进行一次预测分析,对每条训练数据采用不同机器学习方法得到的预测值与真实值进行比较,选择预测值最优所对应的机器学习方法作为该条数据所采用的方法,并统计每种机器学习方法所通过的样本数,以及在总的训练样本中所占的比例,最后,根据比例选择出几种最优的机器学习方法,组成集成学习模型的个体学习模型,具体步骤如下:
①将n条训练数据分别利用SVM、RBF神经网络、随机森林、岭回归和K近邻回归方法进行建模,得到五个回归方程式分别为g=f1(x)、g=f2(x)、g=f3(x)、g=f4(x)和g=f5(x);
②对于任意一条训练数据(xk,yk),采用上述五个模型进行预测,得到五个不同的输出值f1(xk)、f2(xk)、f3(xk)、f4(xk)和f5(xk),分别将每种方法的输出值和真实值对比,选择输出值与真实值误差最小所对应的机器学习方法作为该条数据所采用的方法;比较公式如下:
min{|yk-fi(xk)|}i=1,2,…5;
③对所有训练数据,重复步骤②,得到每种机器学习方法所通过的样本数,分别记为p1,p2,p3,p4,p5,且满足p1+p2+p3+p4+p5=n;
④将步骤③得到的样本数,根据下式进行降序排序;
⑤选择符合条件的机器学习方法,组成集成学习模型的个体学习器,其选择的公式如下:
4.根据权利要求3所述的基于选择性集成学习的孔隙度预测方法,其特征在于,所述的部分C中,采用“主成分权重平均”法组合策略,获得所述个体学习模型的权重,并采用加权平均法得到所述集成学习模型的输出;
其中,“主成分权重平均”法,即将训练数据利用个体学习器进行建模预测,对每条训练数据采用不同个体学习器得到的预测值与真实值进行比较,选择预测值最优所对应的个体学习器作为该条数据所采用的模型,并统计每个学习器所通过的样本数,以及在总的训练样本中所占的比例,即为该学习器的权重因子;具体步骤如下:
①将n条训练样本分别采用个体学习器1、个体学习器2和个体学习器3进行建模,得到三个回归方程分别为f1(x)、f2(x)和f5(x);
②对于任意一条训练数据(xk,yk),得到三个不同的输出值f1(xk)、f2(xk)和f3(xk),分别将每种方法的输出值和真实值对比,选择输出值与真实值误差最小所对应的机器学习方法作为该条数据所采用的方法;比较公式如下:
min{|yk-f1(xk)|,|yk-f2(xk)|,|yk-f3(xk)|}
③对所有训练数据,重复步骤②,得到每种机器学习方法所通过的样本数,分别记为t1、t2、t3,且满足t1+t2+t3=n;
④计算每种模型的权重因子,权重公式如下:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010590575.9A CN111723949A (zh) | 2020-06-24 | 2020-06-24 | 基于选择性集成学习的孔隙度预测方法 |
US17/234,724 US20230203925A1 (en) | 2020-06-24 | 2021-04-19 | Porosity prediction method based on selective ensemble learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010590575.9A CN111723949A (zh) | 2020-06-24 | 2020-06-24 | 基于选择性集成学习的孔隙度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111723949A true CN111723949A (zh) | 2020-09-29 |
Family
ID=72568859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010590575.9A Pending CN111723949A (zh) | 2020-06-24 | 2020-06-24 | 基于选择性集成学习的孔隙度预测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230203925A1 (zh) |
CN (1) | CN111723949A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
CN113033074A (zh) * | 2021-02-25 | 2021-06-25 | 中国石油天然气集团有限公司 | 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 |
CN116245563A (zh) * | 2023-05-11 | 2023-06-09 | 中国石油大学(华东) | 基于AdaBoost算法构建的商品销量融合预测模型 |
CN116424508A (zh) * | 2022-12-31 | 2023-07-14 | 华中科技大学 | 基于gd加权融合rbfnn和随机森林的船舶稳性预报方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993723A (zh) * | 2017-12-19 | 2018-05-04 | 苏州大学 | 一种基于集成进化学习的华法林剂量预测建模方法 |
CN109472302A (zh) * | 2018-10-29 | 2019-03-15 | 中国石油大学(华东) | 一种基于AdaBoost的支持向量机集成学习方法 |
CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
US20190373111A1 (en) * | 2018-05-30 | 2019-12-05 | Upcall Inc. | Automatic call classification using machine learning |
CN111079783A (zh) * | 2019-11-11 | 2020-04-28 | 东北石油大学 | 一种基于多核集成学习识别地层岩性参数的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10859725B2 (en) * | 2017-05-22 | 2020-12-08 | Sensia Llc | Resource production forecasting |
US20210255361A1 (en) * | 2020-02-14 | 2021-08-19 | Halliburton Energy Services, Inc. | Systems and methods for optimum subsurface sensor usage |
US11486230B2 (en) * | 2020-04-09 | 2022-11-01 | Saudi Arabian Oil Company | Allocating resources for implementing a well-planning process |
-
2020
- 2020-06-24 CN CN202010590575.9A patent/CN111723949A/zh active Pending
-
2021
- 2021-04-19 US US17/234,724 patent/US20230203925A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993723A (zh) * | 2017-12-19 | 2018-05-04 | 苏州大学 | 一种基于集成进化学习的华法林剂量预测建模方法 |
US20190373111A1 (en) * | 2018-05-30 | 2019-12-05 | Upcall Inc. | Automatic call classification using machine learning |
CN109472302A (zh) * | 2018-10-29 | 2019-03-15 | 中国石油大学(华东) | 一种基于AdaBoost的支持向量机集成学习方法 |
CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
CN111079783A (zh) * | 2019-11-11 | 2020-04-28 | 东北石油大学 | 一种基于多核集成学习识别地层岩性参数的方法 |
Non-Patent Citations (2)
Title |
---|
JIANG YU-YAN: ""Selective Ensemble Learning Algorithm"", 《2010 INTERNATIONAL CONFERENCE ON ELECTRICAL AND CONTROL ENGINEERING》 * |
段友祥等: "选择性集成学习模型在岩性-孔隙度预测中的应用", 《科学技术与工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
CN113033074A (zh) * | 2021-02-25 | 2021-06-25 | 中国石油天然气集团有限公司 | 策略组合机制融合蜻蜓算法孔隙度预测方法、系统及设备 |
CN116424508A (zh) * | 2022-12-31 | 2023-07-14 | 华中科技大学 | 基于gd加权融合rbfnn和随机森林的船舶稳性预报方法和系统 |
CN116424508B (zh) * | 2022-12-31 | 2024-01-26 | 华中科技大学 | 基于gd加权融合rbfnn和随机森林的船舶稳性预报方法和系统 |
CN116245563A (zh) * | 2023-05-11 | 2023-06-09 | 中国石油大学(华东) | 基于AdaBoost算法构建的商品销量融合预测模型 |
CN116245563B (zh) * | 2023-05-11 | 2023-10-27 | 中国石油大学(华东) | 基于AdaBoost算法构建的商品销量融合预测模型 |
Also Published As
Publication number | Publication date |
---|---|
US20230203925A1 (en) | 2023-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723949A (zh) | 基于选择性集成学习的孔隙度预测方法 | |
CN108228716B (zh) | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 | |
Amra et al. | Students performance prediction using KNN and Naïve Bayesian | |
CN109828304B (zh) | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 | |
CN109002845A (zh) | 基于深度卷积神经网络的细粒度图像分类方法 | |
CN108897975A (zh) | 基于深度信念网络的煤层气测井含气量预测方法 | |
Helmy et al. | Hybrid computational intelligence models for porosity and permeability prediction of petroleum reservoirs | |
CN110909931A (zh) | 基于模态分解重构及深度lstm-rnn模型的测井曲线预测方法 | |
CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN114154557A (zh) | 癌症组织分类方法、装置、电子设备及存储介质 | |
CN113889198A (zh) | 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备 | |
CN112199862A (zh) | 纳米粒子运移的预测方法、其影响因子分析方法及系统 | |
CN111755081A (zh) | 一种高甲烷吸附率MOFs生成与筛选的方法 | |
CN115080383A (zh) | 模型状态差分的深度神经网络测试用例生成方法 | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
Haixiang et al. | Optimizing reservoir features in oil exploration management based on fusion of soft computing | |
CN110717602A (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
CN117272841A (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
Chi et al. | Calculation method of probability integration method parameters based on MIV-GP-BP model | |
Kavipriya et al. | Adaptive Weight Deep Convolutional Neural Network (AWDCNN) Classifier for Predicting Student’s Performance in Job Placement Process | |
CN111832941A (zh) | 一种罪犯改造质量评估系统的子训练集处理方法 | |
Liu et al. | Lithological Facies Classification Using Attention-Based Gated Recurrent Unit | |
Eranga | Lstm based framework for time series anomaly detection | |
CN113746813B (zh) | 基于两阶段学习模型的网络攻击检测系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |
|
RJ01 | Rejection of invention patent application after publication |