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
- Tez No: 886080
- Danışmanlar: YRD. DOÇ. DR. ALPER FİDAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- 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
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
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
- Purchase prediction and item prediction with RNN using different user-item interactions
Farklı kullanıcı-ürün etkileşim türlerini kullanarak özyineli sinir ağları ile ürün ve satış tahminlemesi
FULYA ÇELEBİ SARIOĞLU
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN
- Makine öğrenmesi ve derin öğrenmede CPU ve GPU tabanlı hızlandırma tekniklerinin karşılaştırılması
Comparison of CPU and GPU based acceleration techniques in machine learning and deep learning
GÖKHAN EGEMEN ÖĞÜT
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN GÜRÜLER
- Güç sistemlerinde geçici hal kararsızlığının ve gelişiminin derin öğrenme ve karar ağacı tabanlı yöntemler ile geniş alan ölçümlerine dayalı olarak erken kestirimi
Wide area measurement based early prediction of power system transient instability and its evolution using deep learning and decision tree based algorithms
MERT KESİCİ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Text-based machine learning methodologies for modelling drug-target interactions
Protein-ilaç etkileşimlerinin metin tabanlı makine öğrenmesi yöntemleri ile modellenmesi
HAKİME ÖZTÜRK
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN
DOÇ. DR. ELİF ÖZKIRIMLI ÖLMEZ
- Constructing trading strategies using artificial intelligence based models: An application for Borsa Istanbul
Yapay zeka temelli modeller kullanarak alım satım stratejilerinin oluşturulması: Borsa İstanbul için bir uygulama
BERÇİM BERBEROĞLU
- Derin öğrenme ve makine öğrenmesi yöntemleriyle borsa alım satım davranışlarının modellenmesi
Modeling trading behaviours with deep learning and machine learning methods in stock exchange markets
AFAN HASAN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OYA KALIPSIZ