Un esempio di previsione della densità apparente (RHOB) con Keras e illustrazione degli impatti della normalizzazione sui risultati della previsione
16 ore fa
Ogni giorno vengono acquisite grandi quantità di dati dai pozzi di tutto il mondo. Tuttavia, la qualità di tali dati può variare in modo significativo, dai dati mancanti ai dati influenzati da guasti del sensore e dalle condizioni del pozzo. Ciò può avere conseguenze a catena su altre parti di un progetto sotterraneo, come ritardi e ipotesi e conclusioni imprecise.
Poiché i dati mancanti sono uno dei problemi più comuni che dobbiamo affrontare con la buona qualità dei dati di registro, sono stati sviluppati numerosi metodi e tecniche per stimare i valori e colmare le lacune. Ciò include l’applicazione della tecnologia di apprendimento automatico, che è diventata sempre più popolare negli ultimi decenni con librerie come TensorFlow e PyTorch.
In questo tutorial utilizzeremo Keras, un’API di reti neurali di alto livello che viene eseguita su TensorFlow. Lo useremo per illustrare il processo di costruzione di un modello di apprendimento automatico per consentire previsioni della densità apparente (RHOB). Si tratta di una misurazione di registrazione comunemente acquisita, tuttavia, può essere influenzata in modo significativo da cattive condizioni del foro o, in alcuni casi, gli strumenti possono guastarsi, determinando l’impossibilità di misurazioni negli intervalli chiave.
Inizieremo con un modello molto semplice, che non tiene conto della normalizzazione degli input, un passaggio comune nel flusso di lavoro del machine learning. Quindi, costruiremo un secondo modello con input normalizzati e ne illustreremo l’impatto sul risultato della previsione finale.
Il primo passo in questo tutorial è importare le librerie con cui lavoreremo.
Per questo tutorial, abbiamo bisogno di 4 librerie:
Questi vengono importati come segue:
import pandas as pd
from…
Fonte: towardsdatascience.com
