Original scientific paper
https://doi.org/10.17794/rgn.2026.4.4
MODELIRANJE POSMIČNIH VALOVA IZ KONVENCIONALNIH KAROTAŽNIH PODATAKA KORIŠTENJEM INTEGRIRANE KONVOLUCIJSKE NEURONSKE MREŽE DUBOKOGA UČENJA (I-CNN)
Rahmat Catur Wibowo
; Geological Engineering, Universitas Lampung, Sumantri Brojonegoro No.1, Lampung, 35145, Indonesia.
*
Ida Bagus Suananda Yogi
; Centre for subsurface Imaging, Universiti Teknologi Petronas, Seri Iskandar 32610, Perak, Malaysia.
Indra Arifianto
; Earth Resources Engineering Department, Faculty of Engineering, Kyushu University, Fukuoka, 819-0395, Japan.
Muh Sarkowi
; Geophysical Engineering, Universitas Lampung, Sumantri Brojonegoro No.1, Lampung, 35145, Indonesia.
* Corresponding author.
Abstract
Brzina posmičnoga vala, zajedno s brzinom kompresijskoga vala, pruža ključni izvor informacija za geomehanička i geofizička istraživanja. Dok se brzina kompresijskoga vala rutinski mjeri u većini bušotina, podatci o brzini posmičnoga vala često nisu dostupni, posebno u starijim bušotinama. To je uglavnom posljedica nedostatka odgovarajućih tehnologija prikupljanja podataka u to vrijeme i ograničenja trenutnih alata u zacijevljenim bušotinama. Uz to, izravno mjerenje brzine posmičnoga vala ostaje relativno skupo. Kako bi se zaobišla ta ograničenja, za predviđanje brzine posmičnoga vala iz tradicionalnih karotažnih mjerenja stvoreni su sljedeći algoritmi strojnoga učenja: vjerojatna neuronska mreža (PNN), višeslojna neuronska mreža s unaprijednim povratnim informacijama (MLFFNN), duboka neuronska mreža s unaprijednim povratnim informacijama (DFFNN), jednodimenzionalna konvolucijska neuronska mreža (1D-CNN) i integrirana konvolucijska neuronska mreža (I-CNN). Iz dviju bušotina prikupljen je 19 121 podatak. Metodologija se sastojala od triju glavnih dijelova: 1) predobrada podataka kako bi se uklonila buka i prilagodio odgovarajući format; 2) korištenje stručnoga znanja za pokretanje inženjeringa i odabira značajki; i 3) treniranje, testiranje i optimizacija modela. Rezultati su pokazali da je I-CNN model u bušotini RCW-1 postigao najbolje performanse, s R-kvadratnom vrijednošću od 0,971. Kada je primijenjen na drugu bušotinu (RCW-2), I-CNN model zadržao je snažnu sposobnost generalizacije, postižući prosječni koeficijent determinacije od 0,956. Ova zapažanja upućuju na to da I-CNN nadmašuje druge metode u rukovanju složenim, nelinearnim odnosima u predviđanju brzine posmičnih valova. Sveukupno, ova studija doprinosi rastućem opusu literature o primjeni strojnoga učenja u petrofizičkoj analizi uvođenjem integriranoga okvira dubokoga učenja koji nadilazi tradicionalne pristupe. Korištenje slijepe bušotine za testiranje dodatno potvrđuje robusnost i pouzdanost predloženoga I-CNN modela.
Keywords
posmični val; strojno učenje; neuronska mreža; integrirani CNN
Hrčak ID:
349882
URI
Publication date:
21.7.2026.
Visits: 0 *