Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 107,411,068

 Predicting the electrical conductivity of brine-saturated rocks using machine learning methods
Tác giả hoặc Nhóm tác giả: Sy Tuan Nguyen, Quy Dong To, Ngoc Minh Vu, The Duong Nguyen and Thoi-Trung Nguyen.
Nơi đăng: Journal of Applied Geophysics; Số: 184(99);Từ->đến trang: 1-11;Năm: 2021
Lĩnh vực: Kỹ thuật; Loại: Bài báo khoa học; Thể loại: Quốc tế
TÓM TẮT
ABSTRACT
Machine learning (ML) methods are used for predicting the electrical conductivity of brine-saturated rocks. Three relevant ML methods including the extreme gradient boosting regression (XGB), the artificial neural networks (ANN) and the support vector machine regression (SVM) methods are considered and compared. The basic features such as the porosity, electrical conductivity of pore fluid as well as the normalized cation-exchange capacity of the solid phase are considered for such prediction. A relevant laboratory measurement dataset available in literature is considered to train and test the ML models. All the three considered ML methods provide very good predictive capacity on the testing set. But the XGB method is more robust and extremely fast to train comparing to the ANN method and the SVM methods. A sensitivity analysis was also realized to clarify the effect of the model parameters including the number of estimators, the learning rate and the regularization parameters. A set of optimal parameters issue from such analysis is provided for the winning XGB model. Using those optimal parameters, the XGB method predicts an average R-squared score of 0.96 for different random splitting between the training and testing sets.
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn