Mi clase favorita en la escuela secundaria fue Ciencias de la Tierra. Recuerdo haber tomado lecturas meteorológicas diarias durante nuestra sección de meteorología. Todas las mañanas salíamos al exterior, medíamos la temperatura de bulbo húmedo y seco, la velocidad y dirección del viento y la nubosidad estimada. Una o dos veces, regresamos al aula solo para darnos cuenta de que una lectura estaba interrumpida o no tenía sentido. No hay problema, volvimos afuera y rehicimos la medición; no fue gran cosa caminar los 50 pasos y volver a tomar la medición.
El problema
Avance rápido unos 18 años, y estoy trabajando en el Hélice Q4000 , tratando de adquirir muestras de hidrato de metano de sedimentos a más de una milla debajo de mis pies. Tomó más de 24 horas adquirir nuestro primer núcleo. Cuando salió a la superficie, nada había funcionado correctamente: la muestra estaba despresurizada y el 10% o más del sedimento recuperado era solo sopa. A diferencia de mis lecturas de temperatura en la escuela secundaria, no podíamos volver atrás e intentarlo de nuevo, esa muestra de sedimento había desaparecido para siempre.
Este es el desafío al que se enfrentan los geólogos e ingenieros cuando trabajan en los duros entornos subterráneos. Los datos son costosos de adquirir y solo se obtiene una oportunidad. Entonces, ¿qué haces cuando los datos no regresan como deberían? ¿Quizás la herramienta falla en profundidad o peor aún, se atasca y todo el pozo tiene que ser abandonado? ¿Cómo podemos tomar la poca información que tenemos y darle un sentido útil? Nosotros podemos usar JMP Pro poderosas herramientas predictivas, ¡por supuesto!
El experimento
Introduzca los parámetros de Gamma (azul), Densidad de formación (rojo), Velocidad de compresión (verde) y Velocidad de corte (violeta). El intervalo uno es> 2064 ftkb y está por encima de la línea negra superior negra, el intervalo dos está entre las dos líneas negras (2065-2127 ftkb) y el intervalo tres está por debajo de la línea negra (2128-2206 ftkb).
Comparemos algunos métodos diferentes para predecir una variable mal adquirida de otras más robustas. En este caso, estamos tratando de comprender la saturación de hidrocarburos (hidrato de metano), que está escasamente disponible en este pozo en particular ( El pozo de Mt Elbert, North Slope, Alaska ). Lo que sí tenemos son conjuntos completos de cuatro variables: rayos gamma, densidad de formación, velocidad de compresión y velocidad de corte. En el subsuelo, hay tres intervalos de arenas que contienen hidratos, y queremos usar el primer intervalo (2003-2064 pies por debajo del buje Kelly, ftkb) para predecir la saturación de hidratos en los dos intervalos inferiores, 2065-2127 ftkb y 2128- 2206 ftkb, respectivamente. Probaremos diferentes modelos predictivos: mínimos cuadrados estándar, regresión generalizada, red neuronal y XGBoost. Usaremos los valores R2 como un primer paso de la calidad del modelo, pero luego evaluaremos cualitativamente los registros de pozos reales frente a los previstos para evaluar la calidad general de cada modelo.
Resultados
Saturación de hidratos real (azul) en comparación con la saturación de hidratos prevista para mínimos cuadrados estándar (rojo), regresión generalizada (verde), red neuronal (violeta) y XGBoost (naranja quemado).
Los mínimos cuadrados estándar simplemente no son suficientes. Modela de manera robusta el Intervalo 1, pero falla por completo en predecir con precisión la saturación de hidrocarburos en los dos intervalos inferiores. La regresión generalizada (adaptativa; red elástica) es ligeramente mejor, pero generalmente predice en exceso los dos intervalos inferiores en 0,1 a 0,2 unidades de saturación. Los modelos de aprendizaje automático hacen un trabajo mucho más sólido, pero le doy la ventaja a XGBoost. Neural Network produce una señal mucho más "ruidosa" en el sentido de que hay numerosas patadas que representan un 10-20% por encima y por debajo de la predicción, mientras que XGBoost proporciona una predicción mucho más estable tanto en saturaciones de hidrocarburos bajas como altas.
Este es un tema común que observo cuando trabajo con datos geológicos y / o de fondo de pozo: los sistemas naturales son increíblemente complejos, cargados de heterogeneidades, y los modelos de aprendizaje automático (Bootstrap Forest, Neural Network y XGBoost, etc.) tienden a proporcionar mejores predicciones. modelos en general.
Resultados del modelo para conjuntos de datos de validación de XGBoost (arriba) y Neural Network (abajo).
Avanzando
La mayoría de las personas que trabajan en la industria tendrán sustancialmente más datos al alcance de la mano que un solo pozo. Una práctica sólida es utilizar la agrupación para agrupar los pozos utilizando parámetros geológicos (litología, porosidad, permeabilidad, etc.) y construir modelos predictivos por conglomerado. Este método puede permitirle lograr mejores resultados porque el modelo está diseñado específicamente para un juego en particular, o incluso una cuenca en particular dentro de un juego en particular. Más allá de eso, una gran práctica es realizar un recorrido visual con sus datos en Graph Builder: intente tener una idea de lo que está sucediendo con los parámetros individuales para identificar el mejor camino a seguir.
Por último, la democratización del análisis de datos en su organización le permitirá lograr fines más importantes más rápido: obtenga herramientas poderosas en manos de los usuarios, muéstreles cómo construir e interpretar modelos, ¡y luego siéntese y disfrute!
Fuente de datos
Estos datos se recopilaron a través de un acuerdo cooperativo de perforación entre el DOE y BP Exploration Alaska (BPXA), en colaboración con el Servicio Geológico de EE. UU. (USGS) y varias universidades y socios de la industria, para evaluar si el hidrato de gas natural de Alaska North Slope podría producirse de manera viable técnica o comercialmente. El pozo de Mt. Elbert fue perforado en 2007, y los datos están disponibles a través del Observatorio de la Tierra Lamont Doherty en la Universidad de Columbia. Subconjunté los datos, los limpié y los puse a disposición en una tabla JMP en JMP Público (Nota: Sin JMP Pro , los scripts GenReg, Neural w / KFold y XGBoost no se ejecutarán. Además, el script XGBoost requiere JMP Pro y el Complemento XGBoost ).
¡Gracias por una publicación tan informativa y detallada! Bueno, también me ocupo de la química usando JMP Pro para las tareas respectivas.
Bueno, mi pregunta es sobre la red neuronal (NN). En JMP para los casos de regresión, incluso en la semilla aleatoria fija, los valores predichos por NN difieren con todas sus métricas (RMSE, R2, etc.) si relanzamos un modelo idéntico. Para la clasificación, todo es repetible manteniendo las métricas. ¿Jugaste reorganizando tu modelo NN manteniendo idénticas condiciones?
¡Gracias!
Miguel
Muchas gracias por la pregunta @Nazarkovsky , este es un tema muy importante que ha mencionado. Me he encontrado con casos en los que la investigación fundamental se retractó en última instancia porque el autor había encontrado correlaciones muy sólidas utilizando NN, pero cuando otros usuarios ejecutaron los mismos NN en los mismos datos pero utilizando un inicio aleatorio diferente, se encontraron correlaciones drásticamente más bajas. Aquí es donde los modelos de conjuntos realmente pueden ayudar (por ejemplo, Bootstrap Forest, Boosted NN, etc.). Habiendo dicho todo esto y destacando la importancia de hacer esto, debo admitir que no hice esto originalmente. PERO no pude evitarlo y después de leer su comentario volví y volví a ejecutar una serie de NN usando configuraciones idénticas con diferentes semillas aleatorias. El conjunto de validación medio R ^ 2 fue 0,92 +/- 0,01, un poco más bajo de lo que encontré originalmente.
¡Gran cosa, Peter! Y dime, por favor, cómo fueron los RMSE. Porque, para las regresiones, RMSE es el principal KPI. Con suerte, este parámetro no cambia drásticamente. Ahora, hágame saber cómo hace los conjuntos en JMP Pro. El mío es 15.0, por lo que el tuyo puede ser 16, ya que los conjuntos no se encuentran en la 15ª versión. ¡Te estaría muy agradecido!
Michael, el error cuadrático promediado de la raíz (segunda medida de ajuste en el informe JMP NN) para este conjunto de datos en particular cambia en seis inicios aleatorios varía en ~ 0.01, bastante menor. En cuanto a los modelos de conjunto, en JMP Pro puede usar el bosque Bootstrap o usar impulsando en NN o árboles de decisión. Todas estas funciones están disponibles en JMP 15 Pro. ¡Espero que esto ayude!
¡Felicidades, querido colega! Ha realizado un trabajo brillante. Y reciba un agradecimiento especial por sus consejos con respecto a los enfoques de los modelos de conjuntos. ¡Que tengas un buen fin de semana!
Atentamente,
Miguel
