Geri Dön

Application of machine learning and deep learning techniques to predict missing petrophysical data

Application of machine learning and deep learning techniques to predict missing petrophysical data

PDF İndir

  1. Tez No: 886080
  2. Yazar: SAKINA ALI ABDUSSALAM ASHOUR
  3. Danışmanlar: YRD. DOÇ. DR. ALPER FİDAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Makine öğrenimi, Derin öğrenme, Karar Ağacı, K-En Yakın Komşular, Rastgele Orman, RELU, GELU, SWISH. Petrol ve gaz, Petrofiziksel veriler, Machine learning, Deep learning, Decision Tree, K-nearest Neighbors, Random Forest, RELU, GELU, SWISH. Oil and gas, Petrophysical data
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka Bilim Dalı
  13. Sayfa Sayısı: 111

Özet

ÖZET Makine öğrenmesi ve derin öğrenmeyi de içeren yapay zeka teknikleri birçok alanda yaygın olarak kullanılmaya başlandı. Bu alanların en önemlilerinden biri petrol ve gaz endüstrisidir. Bu araştırma çalışmasının amacı, eksik olanları telafi edecek tahmini petrofiziksel veriler üretmektir. Bu araştırmada karar ağacı (DT), K-en yakın komşu (KNN) ve rastgele orman (RF) algoritmaları olmak üzere makine öğrenmesi algoritmaları uygulanmıştır. Farklı derin öğrenme modelleri, Düzeltilmiş Doğrusal Birim (RELU), Gauss Hata Doğrusal Birimleri (GELU) ve (SWISH) etkinleştirme işlevleri gibi farklı etkinleştirme işlevlerine sahip yoğun katmanlar kullanılarak da tasarlanmıştır. Bu araştırmada kullanılan tüm makine öğrenimi modellerinin eksik günlükleri tahmin etmedeki etkinliği kanıtlanmıştır. Ancak bu modeller arasında tahmin doğruluğu açısından küçük bir fark vardır. Rastgele orman algoritmasının tahmin yeteneği, bu araştırmada %99'a varan tahmin doğruluğuyla öne çıkmaktadır. Daha sonra karar ağacı ve k-en yakın komşu algoritmaları takip etmektedir. Derin öğrenme modelleri açısından, RELU aktivasyon fonksiyonunu kullanan modelin yeteneği, %99'luk tahmin doğruluğu ile muadillerine göre üstündür; bunu GELU aktivasyon fonksiyonunu kullanan model ve SWISH kullanan model takip etmektedir.

Özet (Çeviri)

ABSTRACT Artificial intelligence techniques, including machine learning and deep learning, have become widely used in many fields. One of the most important of these fields is the oil and gas industry. The aim of this research study is to produce predicted petrophysical data that compensate for missing ones. In this research, machine learning algorithms applied, namely the decision tree (DT), K-nearest neighbor (KNN), and random forest (RF) algorithms. Distinct deep learning models have also been designed using dense layers with different activation functions, namely Rectified Linear Unit (RELU), Gaussian Error Linear Units (GELU), and (SWISH) activation functions. The effectiveness of all machine learning models used in this research to predict missing logs has been proved. However, there is a slight difference in the prediction accuracy between these models. The prediction ability of the random forest algorithm leads in this research with a prediction accuracy of up to 99%. Then it is followed by the decision tree and the k-nearest neighbor algorithms. In respect of deep learning models, the ability of the model using the RELU activation function is superior to its counterparts by prediction accuracy of 99%, followed by the model using the GELU activation function, and the model using the SWISH.

Benzer Tezler

  1. Tez No

    721475

    Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi

    Analysis of container port operations using machine learning methods

    ÜSTÜN ATAK

    Doktora

    Türkçe

    Türkçe

    2022

    Deniz Bilimleriİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    PROF. DR. YASİN ARSLANOĞLU

    PROF. DR. TOLGA KAYA

  2. Tez No

    879686

    Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data

    Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları

    İSMAİL BİLGEN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  3. Tez No

    881065

    Kestirimci bakım süreçlerinde makine öğrenmesi algoritmaları kullanarak anomali tespiti

    Anomaly detection using machine learning algorithms in predictive maintenance processes

    FATMA YASEMİN ARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilim ve TeknolojiManisa Celal Bayar Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALİ UYSAL

  4. Tez No

    824554

    Farklı makine öğrenmesi yöntemleri ile enerji piyasasında yerel marjinal fiyat tahmini

    Local marginal price forecasting using different machine learning approaches

    BAŞAK ERSÖZ YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. OZAN ERDİNÇ

  5. Tez No

    835172

    Makine öğrenmesi yöntemiyle müşteri davranışının tahmin edilmesi

    Prediction of customer behavior using machine methodology

    MERVE ANIL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL BEYKENT ÜNİVERSİTESİ

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TALAT FİRLAR

Geri Dön