Journal de géologie et géophysique
Libre accès
ISSN: 2381-8719
ISSN: 2381-8719
Seyed Ali Jafari Kenari et Syamsiah Mashohor
La machine de comité (CM) ou l'ensemble introduit une technique d'apprentissage automatique qui regroupe certains apprenants ou experts pour améliorer les performances de généralisation par rapport à un seul membre. Les CM construits sont parfois inutilement volumineux et présentent certains inconvénients tels que l'utilisation de mémoires supplémentaires, une surcharge de calcul et une diminution occasionnelle de l'efficacité. Élaguer certains membres de ce comité tout en préservant une grande diversité parmi les experts individuels est une technique efficace pour augmenter les performances prédictives. La diversité entre les membres du comité est un paramètre de mesure très important qui n'est pas nécessairement indépendant de leur précision et il existe essentiellement un compromis entre eux. Dans cet article, nous avons d'abord construit un réseau neuronal de comité avec différents algorithmes d'apprentissage, puis proposé une méthode d'élagage d'experts basée sur le compromis diversité et précision pour améliorer le cadre de la machine de comité. Enfin, nous avons appliqué cette structure proposée pour prédire les valeurs de perméabilité à partir des données de diagraphie de puits à l'aide des données de base disponibles. Les résultats montrent que notre méthode donne l'erreur la plus faible et le coefficient de corrélation le plus élevé par rapport au meilleur expert et à la machine de comité initiale et produit également des informations significatives sur la fiabilité des prédictions de perméabilité.