Когнитивная система подбора внутрискважинных операций

Использованы две стандартные метрики регрессии, по которым оценивалось качество модели: корень из среднеквадратичной ошибки RMSE и коэффициент детерминации Пирсона R2.

Для каждой скважины сопоставляется свой набор признаков. Количество признаков фиксировано и определяет зависимые переменные, через которые необходимо восстановить зависимость по отношению к целевой функции. Весь датасет разбивается на две части: признаки и таргет, то есть значения целевой функции.

Общее количество признаков, которые подавались для обучения моделей, — 53. Для общей сходимости моделей важными оказались порядка 30 признаков.

В качестве алгоритмов использованы Catboost, RandomForest и ElasticNet.

Во время обучения моделей процесс учитывает вычисление признаков для новых скважин, обучение модели на подмножестве из 10 наиболее важных признаков датасета, сохранение модели локально на жесткий диск, обогащение модели новой выборкой при новой загрузке сводки ОПЗ. Также из датасета исключаются 10% наиболее аномальных скважин для получения стабильной сходимости моделей.