Kullanım Kılavuzu
Neden sadece 3 sonuç görüntüleyebiliyorum?
Sadece üye olan kurumların ağından bağlandığınız da tüm sonuçları görüntüleyebilirsiniz. Üye olmayan kurumlar için kurum yetkililerinin başvurması durumunda 1 aylık ücretsiz deneme sürümü açmaktayız.
Benim olmayan çok sonuç geliyor?
Birçok kaynakça da atıflar "Soyad, İ" olarak gösterildiği için özellikle Soyad ve isminin baş harfi aynı olan akademisyenlerin atıfları zaman zaman karışabilmektedir. Bu sorun tüm dünyadaki atıf dizinlerinin sıkça karşılaştığı bir sorundur.
Sadece ilgili makaleme yapılan atıfları nasıl görebilirim?
Makalenizin ismini arattıktan sonra detaylar kısmına bastığınız anda seçtiğiniz makaleye yapılan atıfları görebilirsiniz.
 Görüntüleme 26
 İndirme 5
Prediction by reservoir porosity using micro-seismic attribute analysis by machine learning algorithms in an Iraqi Oil Field.
2021
Dergi:  
Turkish Journal of Computer and Mathematics Education
Yazar:  
Özet:

The current work deals with an intelligent application that uses machine learning to analyze and attribute the resulting seismic data to improve and predict the locations of exploration, drilling, and production operations in petrophysical oil. Statistical analyzes of exploratory data analysis (EDA) were used to extract seismic features. This follows the application of two intelligent approaches of Recurrent Neural Networks (RNN) and K-Nearest Neighbors (KNN) to predict porosity. The parameters of seismic data with different seismic attributes were detected at the site by the seismic time-series method. The long-term memory (LSTM) algorithm is the most appropriate way to handle serial data. LSTM has a high capacity for data structure manipulation, which is applied for porosity prediction. Which depends a lot on choosing the best attributes? The two approaches evaluate by absolute error (MAE) and root means square error (RMSE). The results for both models used showed that using (LSTM) is more effective than using (KNN) in predicting porosity through seismic data, where the mean absolute error was obtained. (MAE) 0.017, while with KNN the mean absolute error (MAE) is 0.260 and the results showed that the model used can predict porosity very effectively.

Anahtar Kelimeler:

0
2021
Yazar:  
Atıf Yapanlar
Bilgi: Bu yayına herhangi bir atıf yapılmamıştır.
Benzer Makaleler








Turkish Journal of Computer and Mathematics Education

Dergi Türü :   Uluslararası

Metrikler
Makale : 1.706
Atıf : 106
2023 Impact/Etki : 0.071
Turkish Journal of Computer and Mathematics Education