Research on Efficiency Driven Classification in Petroleum Engineering Based on Big Data Algorithm
Notice bibliographique
Résumé
Existing petroleum engineering big data algorithms have issues like poor efficiency, insufficient classification accuracy, and poor algorithm adaptability in classification tasks by application field. In order to resolve these issues, this paper proposes an RNN (Recurrent Neural Network) algorithm, which improves the performance of the model in multi-category classification by introducing a combination of ReLU activation function and Softmax output layer. By extracting features and optimizing data from different application scenarios in the field of petroleum engineering, the algorithm effectively improves the classification accuracy and application efficiency of the model. Specifically, this paper uses different application fields in petroleum engineering big data as classification labels, uses the architecture of a neural network with multiple layers, and combines it with the Adam optimizer to improve the training speed and stability of the model by adjusting and fine-tuning the model parameters layer by layer. In the training process at each stage, special emphasis is placed on the adjustment of hyperparameters and the alleviation of the gradient vanishing problem, guaranteeing the effectiveness and precision of the classification results in multi-domain data. The findings from the experiments demonstrate that the enhanced algorithm has strong future potential and practical value, and that it can effectively boost the computation efficiency of huge amounts of data in oil and gas engineering as well as the accuracy of classification assignments in real-world applications. In the comparison of different activation functions, the ReLU activation function (improved model) performed best, with a classification accuracy of 0.852, a training time of 125 seconds, an F1-Score of 0.81, and an AUC-ROC of 0.9.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».