26220 - پروژه یادگیری ماشین (MACHINE LEARNING).
سه سال پیش منتشر شده
تعداد بازدید: 585
کد پروژه: 423413
شرح پروژه
- بررسی عدم قطعیت در تشخیص مدل مخازن نفتی مبتنی بر روش های يادگیری ماشین
- ارشد نفت
- پایتون یادگیری ماشین
- در خصوص داده های زمان و فشار چاه آزمایی برای تشخیص مدل مخزن نفتی می باشد قبلا از الگوریتم درخت تصمیم هوش مصنوعی این پروژه انجام شده است داده ها کمی برای پروژه دارم و از مقالات استخراج شده و می خواهم این پروژه با الکوریتم بدون نظارت بتواند این داده های سری را تشخیص دهد و فصل 4 پایان نامه نوشته شود همراه با توضیحات و در مورد هزینه هم باید بدونم و اینکه الگوریتم های یادگیری ماشین را تا حدودی بلد هستم ولی کاملا مسلط نیستم. این فایل ارسال شده کار قبلی است که با هوش مصنوعی انجام شده است
- پروژه یک سری جزییات بیشتر دارد که در صورت پذیرش خدمتتون ارسال میشه
- میخواین با روش های مختلف ماشین لرنینگ داده هاتون و طبقه بندی کنین؟ عدم قطعیت کجای این بحث قرار میگیره؟ داده هاتون بچسب هم نداره و میخواین روش های بدون نظارت انجام بشه، امکانش هست افزایش داده با روش های ماشین لرنینگ انجام بشه، چون دقت طبقه بندی و میبره بالا یا اینکه فقط میخواین با همین تعداد دادهای خودتون طبقه بندی صورت بگیره؟ پاسخ: بله با روش های یادگیری ماشین طبقه بندی شوند و اینکه عدم قطعیت در تشخیص مدل مخزن است که در شکل منحنی های این داده ها ایجاد خواهد شد و یک شکل را می توان به دو مدل مخزنی مرتبط کرد. یک سری داده ارسال خواهم کرد خدمتتون همراه با مدل هایی که وجود دارد ولی چون محدودیت در داده وجود دارد امکان اینکه با روش نیمه نظارتی انجام شود وجود دارد. یعنی یک سری داده را لیبل گذاری شده در نظر گرفت
- دیتای کمی در ضمیمه. سعی کردم در فایل های اکسل مدل مخزن را مشخص کنم
- دیتا فایل
- در این دیتا ست از ۸ مدل مخزن نفت ۵۰ دیتا در دسترس است که داده های زمان DT(hr) بر حسب مشتق فشار DP'(psia) یک شکل نموداری خاصی را می دهد و مسئله از نوع طبقه بندی با نظارت می باشد و به مدل های مختلف کلاس بندی می شوند و قصد دارم به عنوان مثال مدل دسته فایل اکسل 1 را از پوشه constant pressure به عنوان کلاس 0 بشناسد و مثلا دسته فایل 1 از پوشه infinite acting را به عنوان کلاس 2 بشناسد و در نهایت 80 درصد داده را برای آموزش و 20 درصد نهایی را برای تست قرار دهم و مدل های multi svm , random forest و ... را run بگیرم که مدل با درصد خطا پایین و دقت بالا به دست آید مشکلم در این داده ها این است که نمی دانم چطور برای یک دسته از داده های زمانی که مشتق فشار متناسب با خود را دارند به عنوان کلاس 0 مثلا نامگذاری کنم که در نهایت با مدل نظارت شده این مثال را حل کنم. و اینکه خودم چندین مدل را بررسی کردم و دقت 0.78 به دست آمده و دقت بالاتر مد نظر می باشد در حدود ۸۰-۸۵
- و می خواستم بدونم آیا تعداد داده ها کم است و داده بیشتری لازم می باشد. قبلا این کار توسط روش هوش مصنوعی ماشین بردار پشتیبان و ژنتیک حل شده است
این پروژه شامل 3 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.
مهارت ها و تخصص های مورد نیاز
مهلت برای انجام
15روز
وضعیت مناقصه
بسته
درباره کارفرما
عضویت نه سال پیش
