Исследование Эффективности Алгоритмов Машинного Обучения На Основе Данных Различных Горных Пород

Abstract

Проницаемость является важным свойством пористой среды, и ее определение является актуальной задачей. В статье изучается эффективность алгоритмов машинного обучения, такие как RF, GB, SV, Lasso, k-NNи GP, при прогнозировании проницаемости различных пород. В качестве признаков использованы радиус пор, радиус горловины, координационное число, пористость, удельная площадь поверхности, извилистость и проницаемость. Было изучено влияние соотношения обучающего и тестового набора данных (70/30 и 80/20) и количества признаков на производительность алгоритмов. Результаты показали, что алгоритм RFявлялся наиболее подходящим для прогнозирования проницаемости с высокой достоверности. Наибольший коэффициент достоверности прогноза составил R2=0.83, и он был получен при использовании 5 признаков. Алгоритм GBтакже показал хорошую прогнозирующую способность проницаемости, хотя он выбирал практически одногопризнака (пористости) как важным. Наибольший коэффициент для него составил R2=0.73 при 80/20. Результаты также показали, что все алгоритмы, кроме RF, предсказали существенно завышенные минимальныепроницаемости. А также, все алгоритмы, кроме SVи k-NN, предсказали среднее значение проницаемости с наименьшими погрешностями