文献

J-GLOBAL ID：202202267620621379   整理番号：22A0155951

貯留層特性化予測の改善における特徴選択技術評価のための勾配ブースティング回帰モデルの適用【JST・京大機械翻訳】

Application of gradient boosting regression model for the evaluation of feature selection techniques in improving reservoir characterisation predictions

著者 (9件)： Otchere Daniel Asante (Department of Petroleum Engineering, Universiti Teknologi PETRONAS, 32610, Seri Iskandar, Perak Darul Ridzuan, Malaysia) ,  Otchere Daniel Asante (Centre of Research for Enhanced Oil Recovery, Universiti Teknologi PETRONAS, 32610, Seri Iskandar, Perak Darul Ridzuan, Malaysia) ,  Ganat Tarek Omar Arbi (Department of Petroleum Engineering, Universiti Teknologi PETRONAS, 32610, Seri Iskandar, Perak Darul Ridzuan, Malaysia) ,  Ganat Tarek Omar Arbi (Centre of Research for Enhanced Oil Recovery, Universiti Teknologi PETRONAS, 32610, Seri Iskandar, Perak Darul Ridzuan, Malaysia) ,  Ojero Jude Oghenerurie (School of Earth and Environmental Sciences, University of Manchester, M13 9PL, Oxford Rd, Manchester, UK) ,  Tackie-Otoo Bennet Nii (Department of Petroleum Engineering, Universiti Teknologi PETRONAS, 32610, Seri Iskandar, Perak Darul Ridzuan, Malaysia) ,  Tackie-Otoo Bennet Nii (Centre of Research for Enhanced Oil Recovery, Universiti Teknologi PETRONAS, 32610, Seri Iskandar, Perak Darul Ridzuan, Malaysia) ,  Taki Mohamed Yassir (School of Earth and Environmental Sciences, University of Manchester, M13 9PL, Oxford Rd, Manchester, UK) ,  Taki Mohamed Yassir (Department of Exploration, National Office of Hydrocarbons and Mines, 5 Avenue Moulay Rachid, Rabat, Morocco)
資料名： Journal of Petroleum Science and Engineering  (Journal of Petroleum Science and Engineering)
巻： 208  号： PE  ページ： Null  発行年： 2022年 
JST資料番号： T0412A  ISSN： 0920-4105  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 機械学習における重要なデータ前処理ステップである特徴選択は,無関係変数を除去する効果的な方法であり,従って入力特徴の次元を低減する。非情報化,またはより悪い,誤情報入力カラムは,新しいデータおよび未意味データに関するより良い性能で,より一般化されたデータに関する機械学習モデルを訓練するのを助ける。本論文では,勾配ブースティング回帰モデルと対になった8つの特徴選択技術を,浅い海洋貯留層を特徴付ける際の予測誤差と計算効率の統計的比較に基づいて評価した。結果の解析は,透過率,多孔性および水飽和予測のための関連ログを選択する最良の技術が,それぞれランダムフォレスト,選択KBおよびLasso正則化法であることを示した。これらの技術は高次元データセットの特徴を低減するだけでなく,MAEとRMSEに基づく低予測誤差を達成し,計算効率を改善した。これは,ランダム森林,選択KB,およびLasso正則化が,それぞれ,透過率,多孔性および水飽和予測のための最良の入力特性を同定することができることを示す。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *テクノロジーアセスメント ,  *特徴選択 ,  透過率 ,  *貯留層特性 ,  正則化 ,  *回帰モデル ,  次元縮小 ,  機械学習 ,  予測誤差
準シソーラス用語： 計算効率 ,  *ブースティング ,  ランダムフォレスト ,  *貯留層 ,  データ前処理 , 【Automatic Indexing@JST】

著者キーワード (5件)： 特徴選択技術 ,  次元縮小技術 ,  貯留層のキャラクタリゼーション ,  アンサンブル機械学習 ,  決定木アルゴリズム

分類 (1件)： 油層工学  (UA10030G)

タイトルに関連する用語 (6件)： 貯留層特性 ,  予測 ,  特徴選択 ,  評価 ,  勾配ブースティング ,  回帰モデル