Аннотация:Выпускная работа Александра Филатова посвящена изучению
возможности использования продвинутых методов машинного обучения, в
частности, искусственной нейронных сетей при решении
задач, возникающих в нефтегазовой отрасли.
Искусственная нейронная сеть как алгоритм машинного обучения
впервые была построена достаточно давно, в 40-50хх годах прошлого века,
однако широкую популярность нейронные сети приобрели только спустя 60
лет, в 10х годах XXI века. Основным толчком в развитии послужило
появление мощной вычислительной базы, в частности, появление
процессоров GPU, которые позволяют тренировать искусственные
нейронные сети достаточно эффективно. Параллельно появилось новое
направление в машинном обучении, которое получило название “глубокое
обучение”. Это направление включает тренировку искусственных нейронных
сетей с множеством скрытых слоёв и, кроме того, создание новых архитектур
нейронных сетей (таких как, например, свёрточные сети и порождающие
состязательные сети). Первыми задачами, успешно решёнными с помощью
методов глубокого обучения, были задачи распознавания образов и задачи,
связанные с текстовыми последовательностями.
В нефтегазовой отрасли применение искусственных нейронных сетей
достаточно ограничено. В первую очередь это связано с нехваткой
необходимых данных (обычно нейронные сети требуют огромного
количества данных для обучения). Второй причиной является
консервативный подход к решению нефтегазовых задач. Долгое время
единственным алгоритмом, применяющимся в этой области, был линейная
(логистическая) регрессия. В своей работе Александр Филатов
сделал смелую и довольно успешную попытку решения нефтегазовой задачи
с помощью искусственной нейронной сети.
В первой главе Александр описывает отличия от регрессионных
методов, теоретические основы искусственных нейронных сетей,
особенности обучения и существующие архитектуры. Во второй главе
приводится характеристика российского нефтегазового рынка и перспективы
использования искусственных нейронных сетей при решении операционных
задач. В третьей главе Александр обучает нейронную сеть для решения
задачи предсказания технических показателей нефтяной скважины,
используя базовые характеристики. Проводится сравнение
моделей, построенных с помощью методов логистической регрессии и
нейронных сетей. Применена классическая схема построения моделей
машинного обучения, включающая в себя метод скользящего контроля,
метод “жадного” поиска метапараметров и выбор оптимальной модели.
Помимо этого, студентом произведен поиск и сбор данных, а также перевод
этих данных в формат, необходимый для тренировки нейронной сети. В
заключении приводятся сравнения между регрессионными моделями и
нейронными сетями, делаются выводы о преимуществах и недостатках той
или иной модели.
Считаю, что работа соответствует основным требованиям,
предъявляемым к Выпускным квалификационным работам, и может быть
допущена к защите.