ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ УПРАВЛЕНИЯ НЕФТЯНЫМИ СКВАЖИНАМИ (12-16)

DOI:

Дата публикации статьи в журнале: 2019/03/18

Название журнала: Евразийский Союз Ученых — публикация научных статей в ежемесячном научном журнале, Выпуск: 59, Том: 1, Страницы в выпуске: 12-16

Автор: Аунг Зеар
аспирант , ,

Автор: Михайлов И.С.
к.т.н., доцент, Национальный исследовательский университет «МЭИ», Москва

Анотация: В статье рассматривается применение метода интеллектуального анализа данных - машины опорных векторов (SVM) для решения практической задачи оценки эффективности нефтяных скважин. Данный нелинейный метод показывает лучшие результаты анализа чем метод линейной регрессии (LR), также являющейся методом машинного обучения. В работе приведены и проанализированы принципы решения задачи классификации с помощью методов логистической регрессии и машины опорных векторов. В экспериментах рассчитаны и сопоставлены точности этих двух алгоритмов при одинаковых условиях.

Ключевые слова: машинное обучение, интеллектуальный анализ данных,машина опорных векторов,нефтяные скважины,

Данные для цитирования: Аунг Зеар Михайлов И.С. . ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ УПРАВЛЕНИЯ НЕФТЯНЫМИ СКВАЖИНАМИ (12-16) // Евразийский Союз Ученых — публикация научных статей в ежемесячном научном журнале. Технические науки. 2019/03/18; 59(1):12-16.

Скачать в формате PDF

Список литературы: [1]Yong Soo Kim. Performance evaluation for classification methods: A comparative simulation study[J]. Expert Systems With Applications, 2009,373. [2]Hanuman Thota, Raghava Naidu Miriyala, Siva Prasad Akula, K. Mrithyunjaya Rao, Chandra Sekhar Vellanki, et al.. Performance Comparative in Classification Algorithms Using Real Datasets[J]. Journal of Computer Science & Systems Biology, 2009, 0201. УДК 331.101.1 [3] HungLinh Ao, Junsheng Cheng, Yu Yang, Tung Khac Truong. The support vector machine parameter optimization method based on artificial chemical reaction optimization algorithm and its application to roller bearing fault diagnosis. Journal of Vibration and Control.2015(12). [4] Rimjhim Agrawal, Thukaram Dhadbanjan. Identification of Fault Location in Distribution Networks Using Multi Class Support Vector Machines. International Journal of Emerging Electric Power Systems.2012(3). [5] Snehal A. Mulay, P.R. Devale, G.V. Garje. Intrusion Detection System Using Support Vector Machine and Decision Tree. International Journal of Computer Applications.2010(3). [6] Wang Liejun, Lai Huicheng, Zhang Taiyi. An Improved Algorithm on Least Squares Support Vector Machines. Information Technology Journal.2008(2). [7] R. Cogdill, P. Dardenne. Least-squares support vector machines for chemometrics: an introduction andevaluation. Journal of Near Infrared Spectroscopy.2004(2). [8] Ke Lin, Anirban Basudhar, Samy Missoum. Parallel construction of explicit boundaries using support vector machines. Engineering Computations.2013(1). [9] Ashkan Moosavian, Hojat Ahmadi, Babak Sakhaei, Reza Labbafi. Support vector machine and Knearest neighbour for unbalanced fault detection. Journal of Quality in Maintenance Engineering.2014(1). [10] Long Zhang, Jianhua Wang. Optimizing parameters of support vector machines using team-search-based particle swarm optimization. Engineering Computations. 2015(5).