Revista de Geología y Geofísica
Acceso abierto

abstracto

Red neuronal de comité eliminada basada en la compensación de precisión y diversidad para la predicción de permeabilidad

Seyed Ali Jafari Kenari y Syamsiah Mashohor

La máquina de comité (CM) o conjunto presenta una técnica de aprendizaje automático que agrega algunos estudiantes o expertos para mejorar el rendimiento de generalización en comparación con un solo miembro. Los CM construidos a veces son innecesariamente grandes y tienen algunos inconvenientes, como el uso de memorias adicionales, la sobrecarga computacional y la disminución ocasional de la efectividad. La poda de algunos miembros de este comité mientras se preserva una gran diversidad entre los expertos individuales es una técnica eficiente para aumentar el rendimiento predictivo. La diversidad entre los miembros del comité es un parámetro de medición muy importante que no es necesariamente independiente de su precisión y, esencialmente, existe una compensación entre ellos. En este documento, primero construimos una red neuronal de comité con diferentes algoritmos de aprendizaje y luego propusimos un método de poda experto basado en el compromiso de diversidad y precisión para mejorar el marco de la máquina del comité. Finalmente, aplicamos esta estructura propuesta para predecir los valores de permeabilidad a partir de datos de registro de pozos con la ayuda de los datos centrales disponibles. Los resultados muestran que nuestro método proporciona el error más bajo y el coeficiente de correlación más alto en comparación con el mejor experto y la máquina del comité inicial y también produce información significativa sobre la confiabilidad de las predicciones de permeabilidad.