hrvatski

Neuronski alati u geologiji ležišta ugljikovodika

Umjesto sažetka ovdje je prenesen POGOVOR knjige: Nakon što je prikazano nekoliko različitih primjera uporabe neuronskih mreža na različitim vrstama podataka iz ležišta ugljikovodika u poljima Okoli, Kloštar i Beničanci, može se donijeti nekoliko općih zaključaka: 1. Gotovo svi podatci mogu se upotrijebiti kao ulaz u neuronske mreže ; 2. Karotažne krivulje posebno su pogodne za analizu neuronskim mrežama zbog velikoga broja dostupnih podataka i visoke rezolucije ; 3. Sve karte koje su interpolirane drugim metodama, a na njima su prikazane varijable ležišta nafte i plina, moguće je procijeniti i neuronskim algoritmima ; 4. Postoji nekoliko neuronskih algoritama, počevši od najpopularnije paradigme povratnoga postupka do naprednijih i specijaliziranih inačica poput radijalne funkcije, naprednoga povratnoga algoritma i drugih. Svaka upotreba zahtijeva određivanje najprimjerenije metode za obradbu odabranih podataka. Prvi postupak u stvaranju primjenjive neuronske mreže predstavlja oblikovanje njezine arhitekture. Njime se utvrđuje broj slojeva unutar mreže (posebno broj skrivenih slojeva), određivanje veza unutar svakoga sloja i između slojeva, odabir aktivacijske funkcije postavljene uz svaku vezu te početnih težinskih koeficijenata pridruženih pojedinačnomu neuronu. Nadalje, svako uvježbavanje neuronskih mreža predstavlja postupak kojim se traga za najprimjerenijim težinskim koeficijentima koji su, već u prvome koraku, pridijeljeni pojedinačnim neuronima u slojevima. Aktivirajući veze između neurona unutar i između slojeva, vrijednosti tih koeficijenata prilagođavaju se tijekom učenja. Vidljivo je kako veze između neurona i slojeva igraju vrlo važnu ulogu u radu mreže. Sve mreže opisane u ovoj knjizi bile su vrsta potpuno povezanih mreža (engl. completely connected perceptrons), što znači da je svaki neuron u prethodnome sloju povezan sa svakim neuronom u sljedećemu sloju. No, arhitektura mreža može biti i malo drugačije posložena, pa tako kod djelomično povezanih mreža svaki neuron u prethodnome sloju nije povezan sa svim neuronima u sljedećemu sloju. Kod jednosmjernih mreža veze (bilo potpune, bilo djelomične) su postavljene tako da informacije idu samo iz prethodnoga u sljedeći sloj (nema povratnoga postupka unutar jedne iteracije). Između tih slučajeva postoje razni varijeteti dvosmjernih i jednosmjernih veza, ovisno o tome događa li se učenje već unutar jedne iteracije, postoje li preferirane veze itd. Možda je najvažniji mehanizam unutar neuronske mreže aktivacijska funkcija kojom se na kraju određuje hoće li izlaz nekoga neurona ili sloja postojati ili će signal biti „ugašen”. U svojoj biti, aktivacijska funkcija predstavlja pravilo učenja neuronskoga algoritma. Ako se vratimo na arhitekturu mreže opisnu preko slojeva, ulaz svakoga sljedećega sloja (osim početnom koji se ujedno naziva i „ulaznim“ za cijelu mrežu) zapravo je izlaz prethodnoga pomnožen s težinskim koeficijentom pridodanim izlazu sloja ili neurona. Ako je takvih veza između slojeva više, kod svake od njih (obično svaka objedinjuje više „lokalno povezanih” neurona) računa se takav umnožak. Tada je moguće kod svake veze odrediti i prikladnu aktivacijsku funkciju, koja ovisno o vrijednosti izlaza određuje hoće li on biti ulaz za sljedeći sloj (neuron će biti aktivan) ili ne (bit će neaktivan, tj. imat će vrijednost 0). Nekoliko je vrsta takvih funkcija kojima se donose odluke unutar umjetne mreže, a najčešća je sigmoidna funkcija koja je upotrijebljena u primjerima u ovoj knjizi. Sigmoidna funkcija još se naziva i logistička, a njezin čest varijetet jest log- sigmoidna funkcija. Zatim su tu još jednostavna funkcija koraka, pa složenije signum funkcija, hiperboličko-tangentna, linearna, linearna funkcija s pragom uz druge rjeđe upotrebljavane aktivacijske funkcije. Ovisno o načinu učenja neuronske mreže, tj. o načinu na koji će predvidjeti vrijednosti, postoje dvije glavne vrste – neuronske mreže s nadgledanim učenjem i nenadgledanim učenjem. U radovima opisanim u ovoj knjizi korištene su samo mreže s nadgledanim tipom učenja koji podrazumijeva da se u postupku učenja neuronskoj mreži dodjeljuje određeni skup ulaznih podataka i odgovarajuće izlazne vrijednosti. Na temelju izlaza neuronske mreže proces učenja u novim je iteracijama poboljšavan korekcijom težinskih faktora pojedinačnih neurona. Način korekcije ovisi o upotrijebljenom pravilu učenja. Cilj je postupka da predviđena vrijednost bude što sličnije vrijednosti onoj iz ulaznoga skupa. Pravila nadgledanoga učenja koja se najčešće koriste jesu delta pravilo, poopćeno delta pravilo i delta-bar-delta pravilo. Kod neuronskih mreža s nenadgledanim učenjem poznat je samo ulazni skup podataka, za razliku od onih s nadgledanim gdje je ulaznom skupu prirodan i skup izlaznih vrijednosti za potrebe uvježbavanja. Mreže s nenadgledanim tipom učenja koriste se uglavnom za prepoznavanje uzoraka u ulaznom skupu podataka, a najuspješnije pravilo učenja koje se primjenjuje je Kohonenovo pravilo. U prikazanim analizama jasno je vidljiv potencijal analiza neuronskim mrežama u geologiji, a posebice u geologiji ležišta ugljikovodika. One su matematički alat koji vrlo brzo daje dovoljno dobre aproksimacije, tj. primjenjiva rješenja, kada ne postoji mogućnost linearne aproksimacije. To posebno vrijedi kod dovoljno velikih skupova ulaznih podataka kakvi su često dostupni u analizama ležišta nafte i plina.

neuronske mreže ; geologija ležišta ugljikovodika ; Panonski bazen ; neogen ; karotaža ; poroznost

2. izdanje = 2nd edition. Sveučilišni priručnik.