Automatic Identification of Formation Iithology from Well Log Data: A Machine Learning Approach

2014 ◽  
Vol 3 (2) ◽  
pp. 73 ◽  
Author(s):  
Seyyed Mohsen Salehi ◽  
Bizhan Honarvar
Keyword(s):  
Machine Learning ◽  
Automatic Identification ◽  
Learning Approach ◽  
Well Log ◽  
Log Data ◽  
Machine Learning Approach

scholarly journals Bituminous Mixtures Experimental Data Modeling Using a Hyperparameters-Optimized Machine Learning Approach

2021 ◽  
Vol 11 (24) ◽  
pp. 11710
Author(s):  
Matteo Miani ◽  
Matteo Dunnhofer ◽  
Fabio Rondinella ◽  
Evangelos Manthos ◽  
Jan Valentin ◽  
...  
Keyword(s):  
Machine Learning ◽  
Bayesian Optimization ◽  
Automatic Identification ◽  
Learning Approach ◽  
Ann Model ◽  
Data Set ◽  
Bituminous Mixtures ◽  
Novel Approach ◽  
The Neural Network ◽  
Machine Learning Approach

This study introduces a machine learning approach based on Artificial Neural Networks (ANNs) for the prediction of Marshall test results, stiffness modulus and air voids data of different bituminous mixtures for road pavements. A novel approach for an objective and semi-automatic identification of the optimal ANN’s structure, defined by the so-called hyperparameters, has been introduced and discussed. Mechanical and volumetric data were obtained by conducting laboratory tests on 320 Marshall specimens, and the results were used to train the neural network. The k-fold Cross Validation method has been used for partitioning the available data set, to obtain an unbiased evaluation of the model predictive error. The ANN’s hyperparameters have been optimized using the Bayesian optimization, that overcame efficiently the more costly trial-and-error procedure and automated the hyperparameters tuning. The proposed ANN model is characterized by a Pearson coefficient value of 0.868.

scholarly journals Automatic identification of power quality events using a machine learning approach

2019 ◽  
Vol 24 (2) ◽  
pp. 183
Author(s):  
Andrés Felipe Valencia Duque ◽  
Andrés Marino Álvarez Meza ◽  
Álvaro Ángel Orozco Gutiérrez
Keyword(s):  
Machine Learning ◽  
Power Quality ◽  
Automatic Identification ◽  
Learning Approach ◽  
Machine Learning Approach

Actualmente, los eventos de calidad de potencia (PQ) se han estudiado dado su importancia para las industrias, en cuanto a la eficiencia y la vida útil de los elementos conectados a los sistemas eléctricos. Si las perturbaciones relacionadas con los eventos de PQ se clasifican (identifican) rápidamente y con una precisión confiable, los costos y las pérdidas generadas se reducirían. En este trabajo presentamos un enfoque basado en aprendizaje de máquina para la identificación automática de eventos PQ. Nuestra propuesta comprende las siguientes etapas: empleamos un espacio de representación de características basado en parámetros de tiempo y frecuencia. Además, utilizamos una técnica de análisis de relevancia supervisada, llamada Relieff, para resaltar la capacidad discriminante de las características consideradas. Luego, evaluamos el éxito de la clasificación de eventos PQ con diferentes clasificadores agregando diferentes niveles de ruido bajo un esquema de validación cruzada de 10 particiones. En este sentido, se genera una base de datos sintética basada en el estándar IEEE 1159, considerando 3000 señales y diez clases (300 muestras por clase). Los resultados obtenidos muestran un rendimiento de clasificación adecuado con clasificadores simples, cuadrático y k-NN, en comparación con las metodologías más avanzadas del estado del arte.

Sign in / Sign up

Export Citation Format

Share Document