В настоящее время все большую популярность в качестве инструмента анализа объемной информации
приобретают методы Data Mining, которые основаны как на классических принципах разведочного анализа данных, так и на современных, включая нейронные сети. Благодаря высокой практической значимости методы Data Mining позволяют компактно описать данные, понять их структуру, провести
классификацию, обнаружить закономерности в хаосе
случайных явлений.
В статье рассмотрены вопросы применения детального статистического анализа некоторых характеристик наклонно направленных скважин в целях прогнозной оценки добычного потенциала новых скважин или боковых стволов. По мнению авторов, раскрыть прогнозный потенциал методов добычи данных возможно только в том случае, когда прогнозируются добычные характеристики скважин, без использования данных о добыче, опираясь лишь на геологические и технологические параметры. На стыке разведочного анализа и методов добычи данных авторами решаются задачи регрессии и классификации, дается оценка точности прогнозирования применяемых алгоритмов с использованием нескольких выборок, а также демонстрируется статистически-обоснованное влияние геолого-технологических параметров на добычные характеристики скважин. Выполненные исследования подтверждают адекватную способность прогнозирования геолого-статистических моделей в условиях ограничения данных. Работая с категоризованными переменными в условиях классификатора, предложен подход, позволяющий кратно снизить вероятность ошибки прогнозирования. Выведены матрицы оценки влияния параметров, справедливых для всего наклонно направленного фонда скважин изучаемого объекта. Обозначена важность и незаменимость технологий анализа данных, позволяющих получать информацию из 2D и 3D геологических моделей, и как следствие, оценивать добычной потенциал и эффективность размещения фонда скважин уже на этапе моделирования. Таким образом, предлагается внедрить в процесс разработки месторождений технологии анализа, способные описывать объемные данные, выявлять закономерности, проводить их классификацию и прогнозировать в условиях неопределенности.
Список литературы
1. StatSoft.Ink. -
https://www.statsoft.ru/home/textbook/default.htm
2. STATISTICA. Официальное руководство. Т. 3. – 2007.
3. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных / Под ред. В.П. Боровикова. – 2-е изд., перераб. и доп. – М.: Горячая линия – Телеком, 2008. – 392 с.
4. Боровиков В.П. STATISTICA. Искусство анализа данных на компьютере: для профессионалов. 2-е изд. – СПб.: Питер, 2003. – 688 с.
.
