Uczenie maszynowe dla charakterystyki podpowierzchniowej

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Machine Learning for Subsurface Characterization

Zawartość książki:

Machine Learning for Subsurface Characterization rozwija i stosuje sieci neuronowe, lasy losowe, uczenie głębokie, uczenie bez nadzoru, struktury bayesowskie i metody grupowania do charakterystyki podpowierzchniowej.

Uczenie maszynowe (ML) koncentruje się na opracowywaniu metod/algorytmów obliczeniowych, które uczą się rozpoznawać wzorce i kwantyfikować relacje funkcjonalne poprzez przetwarzanie dużych zbiorów danych, zwanych również „big data”. Głębokie uczenie (DL) to podzbiór uczenia maszynowego, który przetwarza „duże zbiory danych” w celu skonstruowania wielu warstw abstrakcji w celu wykonania zadania uczenia się.

Metody DL nie wymagają ręcznego etapu wyodrębniania/inżynierii cech; wymaga to jednak od nas dostarczenia dużych ilości danych wraz z wysokowydajnymi obliczeniami w celu uzyskania wiarygodnych wyników w odpowiednim czasie. Niniejsza publikacja pomaga inżynierom, geofizykom i geologom zapoznać się z terminologią z zakresu nauki o danych i analityki istotną dla charakterystyki podpowierzchniowej oraz demonstruje zastosowanie metod opartych na danych do wykrywania wartości odstających, charakterystyki geomechanicznej / elektromagnetycznej, analizy obrazu, szacowania nasycenia płynów i charakterystyki w skali porów w podpowierzchni.