Tytuł pozycji:
Optymalizacja liczby predyktorów w analizie statystycznej danych geofizycznych metodami inteligencji komputerowej
W pracy przedstawiono problem wyboru liczby danych wejściowych (predyktorów) w rozwiązywaniu zadania regresyjnego metodami inteligencji komputerowej (sztuczne sieci neuronowe – MLP i SVM). Metody geofizyczne, w szczególności profilowania geofizyki otworowej, dają dużą liczbę parametrów petrofizycznych, jednak nie każdy zestaw danych musi być informatywny w zakresie poszukiwanej zmiennej. Dlatego warto stosować dodatkowe analizy statystyczne, np. metodę analizy składowych głównych (PCA), czy wykorzystać badanie czułości dostarczane przez sieci neuronowe, aby ograniczyć liczbę predyktorów bez straty informacji. Problem przedstawiono na przykładzie wyznaczania całkowitej zawartości węgla organicznego (TOC) z wykorzystaniem profilowań geofizyki otworowej.
The paper presents the problem of choosing the number of input data (predictors) in solving the task regression of computer intelligence methods (artificial neural networks – MLP and SVM). Geophysical methods, in particular well logging, provide a large number of petrophysical parameters. However, not every data set must be informative in terms of the desired variable. Therefore, it can be used additional statistical analyzes, e.g. the method of Principal Components Analysis (PCA), or Global Sensitivity Analysis provided by artificial neural network analysis to reduce the number of predictor variables without loss of information. The problem is exemplified by determination of total organic carbon (TOC) using well logs.
Artykuł w części: Sekcja V – Realizacja Programu Blue Gas – Polski Gaz Łupkowy. Projekt pt. Opracowanie optymalnych koncepcji zagospodarowania złóż niekonwencjonalnych z uwzględnieniem aspektów środowiskowych (ResDev). Sesja posterowa
