Estudio sobre problemas de idoneidad geomagnética en el fondo del pozo basado en una red neuronal de retropropagación mejorada
Autores: Zhou, Xu; Liu, Jing; Men, Huiwen; Ren, Shangsheng; Guo, Liwen
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Estudio sobre problemas de idoneidad geomagnética en el fondo del pozo basado en una red neuronal de retropropagación mejorada
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Idoneidad geomagnética
Modelo DLH-GWO-BPNN
Sistema de evaluación
Muestreo mixto
Rugosidad geomagnética
Conjunto de entrenamiento
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
El análisis de la idoneidad geomagnética es la base y premisa de la navegación y posicionamiento por coincidencia geomagnética. Un modelo de evaluación de idoneidad geomagnética que utiliza muestreo mixto y una red neuronal de retropropagación mejorada (BPNN) basada en el algoritmo de optimización del lobo gris (GWO) mediante la incorporación del algoritmo de estrategia de búsqueda basado en aprendizaje de dimensiones (DLH) fue propuesto en este documento para evaluar con precisión la idoneidad geomagnética. En comparación con el modelo tradicional de evaluación de idoneidad geomagnética, se mejoró su capacidad de generalización y precisión. En primer lugar, se analizaron los indicadores clave y las etiquetas de coincidencia utilizadas para la evaluación de idoneidad geomagnética, y se estableció un sistema de evaluación. Luego, se empleó un método de muestreo mixto basado en la técnica de sobremuestreo minoritario sintético (SMOTE) y enlaces Tomek para ampliar el conjunto de datos original y construir un nuevo conjunto de datos. A continuación, el conjunto de datos se dividió en un conjunto de entrenamiento y un conjunto de pruebas, en proporción 7:3. La desviación estándar geomagnética, el coeficiente de curtosis, el coeficiente de asimetría, la entropía de información geomagnética, la rugosidad geomagnética, la varianza de la rugosidad geomagnética y el coeficiente de correlación se utilizaron como indicadores de entrada y se introdujeron en el modelo DLH-GWO-BPNN para el entrenamiento del modelo con etiquetas de coincidencia como salida. La precisión, la recuperación, la curva ROC y el valor de AUC se tomaron como índices de evaluación. Finalmente, PSO (Optimización por Enjambre de Partículas)-BPNN, WOA (Algoritmo de Optimización de Ballenas)-BPNN, GA (Algoritmo Genético)-BPNN y los algoritmos GWO-BPNN fueron seleccionados como métodos de comparación para verificar la capacidad predictiva del DLH-GWO-BPNN. La clasificación de precisión de los cinco modelos en el conjunto de pruebas fue la siguiente: PSO-BPNN (80.95 %) = WOA-BPNN (80.95%) < GA-BPNN (85.71%) = GWO-BPNN (85.71%) < DLH-GWO-BPNN (95.24%). Los resultados indican que el modelo DLH-GWO-BPNN puede ser utilizado como un método confiable para la investigación de la idoneidad geomagnética subterránea, que puede aplicarse a la investigación de la navegación por coincidencia geomagnética.
Descripción
El análisis de la idoneidad geomagnética es la base y premisa de la navegación y posicionamiento por coincidencia geomagnética. Un modelo de evaluación de idoneidad geomagnética que utiliza muestreo mixto y una red neuronal de retropropagación mejorada (BPNN) basada en el algoritmo de optimización del lobo gris (GWO) mediante la incorporación del algoritmo de estrategia de búsqueda basado en aprendizaje de dimensiones (DLH) fue propuesto en este documento para evaluar con precisión la idoneidad geomagnética. En comparación con el modelo tradicional de evaluación de idoneidad geomagnética, se mejoró su capacidad de generalización y precisión. En primer lugar, se analizaron los indicadores clave y las etiquetas de coincidencia utilizadas para la evaluación de idoneidad geomagnética, y se estableció un sistema de evaluación. Luego, se empleó un método de muestreo mixto basado en la técnica de sobremuestreo minoritario sintético (SMOTE) y enlaces Tomek para ampliar el conjunto de datos original y construir un nuevo conjunto de datos. A continuación, el conjunto de datos se dividió en un conjunto de entrenamiento y un conjunto de pruebas, en proporción 7:3. La desviación estándar geomagnética, el coeficiente de curtosis, el coeficiente de asimetría, la entropía de información geomagnética, la rugosidad geomagnética, la varianza de la rugosidad geomagnética y el coeficiente de correlación se utilizaron como indicadores de entrada y se introdujeron en el modelo DLH-GWO-BPNN para el entrenamiento del modelo con etiquetas de coincidencia como salida. La precisión, la recuperación, la curva ROC y el valor de AUC se tomaron como índices de evaluación. Finalmente, PSO (Optimización por Enjambre de Partículas)-BPNN, WOA (Algoritmo de Optimización de Ballenas)-BPNN, GA (Algoritmo Genético)-BPNN y los algoritmos GWO-BPNN fueron seleccionados como métodos de comparación para verificar la capacidad predictiva del DLH-GWO-BPNN. La clasificación de precisión de los cinco modelos en el conjunto de pruebas fue la siguiente: PSO-BPNN (80.95 %) = WOA-BPNN (80.95%) < GA-BPNN (85.71%) = GWO-BPNN (85.71%) < DLH-GWO-BPNN (95.24%). Los resultados indican que el modelo DLH-GWO-BPNN puede ser utilizado como un método confiable para la investigación de la idoneidad geomagnética subterránea, que puede aplicarse a la investigación de la navegación por coincidencia geomagnética.