https://forumneftegaz.com/index.php/rntk <p>Журнал публикует материалы выступлений Российского Нефтегазового<br />Технического Конгресса (<a href="http://www.rntk.org">www.rntk.org</a>). По всем вопросам вы можете <br />обратиться по телефону +7 (495) 190-7216 или написать на email <a href="mailto:info@rntk.org">info@rntk.org</a>.<br /><br /></p> Российский нефтегазовый технический конгресс ru-RU Журнал Российского нефтегазового технического конгресса https://forumneftegaz.com/index.php/rntk/article/view/1 <p>Полимер Системс: решения для развивающихся компаний в условиях импортонезависимости</p> Дмитрий Юрьевич Михайлов Copyright (c) 2022 Российский нефтегазовый технический конгресс https://creativecommons.org/licenses/by-nc/4.0 2022-12-03 2022-12-03 10 10 https://forumneftegaz.com/index.php/rntk/article/view/3 <p>Описаны общие характеристики состава рассеянного органического вещества пород миоцена иолигоцена впределах место­рождения Белый Тигр (Вьетнам) исопоставление его ссоответствующими характеристиками нефтей.</p> Алексей Тестер Ольга Серебренникова Copyright (c) 2022 Российский нефтегазовый технический конгресс https://creativecommons.org/licenses/by-nc/4.0 2022-11-28 2022-11-28 10 10 https://forumneftegaz.com/index.php/rntk/article/view/6 <p>При использовании алгоритмов машинного обучения выявляются различные ошибки в их работе. В работе рассмотрены подходы к улучшению моделей, борьбе с возможными ошибками и внедрению новых моделей в систему.</p> <p>Для непрерывного развития и поддержки моделей машинного обучения необходимо зафиксировать начальный набор эталонов и постоянно пополнять «эталонные» данные тех типов, которые могут приходить системе. Оценивая работоспособность новых моделей на зафиксированных данных возможно не только понять, насколько улучшила работу та или иная модель по сравнению с предыдущей, но и выявить недостатки в процессе обучения. Для подсчета метрик качества возможно использовать общераспространенные методы оценки, например, IOU (для задач сегментации), precision, recall. Также необходимо учитывать опыт использования моделей – то насколько часто пользователь обращает внимание на те или иные ошибки, а также ранжировать сами ошибки по приоритету. В ходе использования ряда моделей для сегментации керна из ящиков, а также классификации керна был выявлен ряд недостатков, на которых особенно заостряет внимание пользователь. Так, например, большие вопросы при использовании моделей вызывают такие ошибки как смешение разных типов пород (песчаник\аргиллит) в случае классификации и сегментация окружения вокруг ящика керна или отсутствие сегментации той или иной части керна. На примере моделей классификации терригенных пород и выделения кварцевых жил проведено исследование опыта использования моделей . Для тестирования было зафиксировано 5 скважин. При первоначальном среднем качестве классификации (precision) новых данных равным 70% для 14 типов пород удалось улучшить этот показатель до 85%, не теряя качества на всех данных, было снижено как количество «простых» ошибок, связанных с определение типа пород, так и «сложных», связанных с определением текстур. Для проверки работоспособности модели сегментации зафиксировано 250 различных ящиков керна (включая отдельные столбики). Качество сегментации ящиков керна (IOU) улучшилось с 78% до 88%, общий процент ошибок выделения областей типа «не керн» снизился до 8%. Был разработан подход для улучшения как опыта использования моделей пользователем, так и улучшения самих моделей. При внедрении подхода в систему разработанные модели улучшено общее впечатление от использования системы пользователем. Е.Е. Барабошкин, А.Е. Демидов, Д.М. Орлов, Д.А. Коротеев</p> Евгений Евгеньевич Барабошкин А. Е. Демидов Д. М. Орлов Д. А. Коротеев Copyright (c) 2022 Российский нефтегазовый технический конгресс https://creativecommons.org/licenses/by-nc/4.0 2022-12-03 2022-12-03 10 10