Apprendimento automatico per la caratterizzazione del sottosuolo

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Machine Learning for Subsurface Characterization

Contenuto del libro:

Il Machine Learning for Subsurface Characterization sviluppa e applica reti neurali, foreste casuali, deep learning, apprendimento non supervisionato, strutture bayesiane e metodi di clustering per la caratterizzazione del sottosuolo.

L'apprendimento automatico (ML) si concentra sullo sviluppo di metodi/algoritmi computazionali che imparano a riconoscere i modelli e a quantificare le relazioni funzionali elaborando grandi insiemi di dati, definiti anche “big data”. L'apprendimento profondo (DL) è un sottoinsieme dell'apprendimento automatico che elabora i “big data” per costruire numerosi livelli di astrazione per realizzare il compito di apprendimento.

I metodi di DL non richiedono la fase manuale di estrazione/ingegnerizzazione delle caratteristiche; tuttavia, richiedono di fornire grandi quantità di dati insieme a un'elaborazione ad alte prestazioni per ottenere risultati affidabili in modo tempestivo. Questo riferimento aiuta gli ingegneri, i geofisici e i geoscienziati a familiarizzare con la terminologia della scienza dei dati e dell'analisi relativa alla caratterizzazione del sottosuolo e dimostra l'uso dei metodi data-driven per il rilevamento degli outlier, la caratterizzazione geomeccanica/elettromagnetica, l'analisi delle immagini, la stima della saturazione dei fluidi e la caratterizzazione della scala dei pori nel sottosuolo.