НЕЙРОННЫЕ СЕТИ – ЭФФЕКТИВНЫЙ МЕХАНИЗМ ПРОГНОЗА КОЛЛЕКТОРСКИХ СВОЙСТВ ПРОДУКТИВНЫХ ГОРИЗОНТОВ
Abstract
В статье рассмотрен алгоритм работы нейронных сетей. Представлены особенности наиболее часто применяющихся функций активации в нейронных сетях. Описан способ решения проблемы переобучения нейронных сетей. Представлены результаты нейросетевого моделирования фильтрационно-ёмкостных свойств на примере небольшого участка в пределах Юго-Восточной части Бухаро-Хивинского нефтегазоносного региона Республики Узбекистан.
References
1. С. Осовский. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344 с.:ил.
2. А.С. Сосин, И.А. Суслова. Функции активации нейросети: сигмоида, линейная, ступенчатая, RELU, TANH // Наука. Информатизация. Технологии. Образование: матер. XII междунар. НПК. - Екатеринбург: Издательство РГППУ, 2019. - С. 237-246.
3. Д.А. Данько. Сравнение методов детерминистической акустической инверсии для выделения акустически контрастных объектов по сейсмическим данным // Геофизика, 2016. № 1. С. 2-11.
4. Н.В. Замятин, Д.В. Медянцев. Методика нейросетевого моделирования сложных систем // Томский университет систем управления и радиоэлектроники. - М.: Связь, 2007. - 164 с.
5. Г.Б. Евсеева. Условия осадконакопления и коллекторские свойства пород юрских карбонатных отложений Бухаро-Хивинского нефтегазоносного региона // Нефтегазовая геология. Теория и практика. 2015. Т. 10. № 2. С. 1-18.
6. Srivastava N, Hinton G, Krizhevsky A, et al. (2014) Dropout: a simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(1):1929-1958.
