انتخاب مقدار بهینه برا ی دو پارامترکرنل و جریمه در مسئله ی پیش رو با استفاده ازالگوریتم گرگ خاکستری

در محیط های متخلخل ، بخشی از فشار روباره توسط سیال پرکننده فضاهای خالی تحمل می شود و متناسب با آن سیال فشاری را به دیوارهی فضاها ی خالی وارد می کند که به آن فشار منفذی اطلاق می شود. فشار منفذی از جمله پارامترهای مهم ژئومکانیکی می باشد از این رو شناخت کامل این پارامتر در مخزن می تواند کمک قابل توجهی در مطالعات ژئومکانیکی میدان، پایداری دیواره چاه، طراحی عملیات لا یه شکافی و ... بکند. روشهای یادگیری ماشین مبتنی بر بردارهای پشتیبان قابلیت های مناسبی در زمینهی تخمینمدل فضایی پارامترهای مجهول در میدانهای نفتی نشان دادهاند. با این حال، انتخاب تابع کرنل مناسب مسئلها ی چالشبرانگیز در زمینهی اجرای ماشین های بردار پشتیبان است که به طرز معنیداری عملکرد این الگوریتم ها را تحت تاثیر قرارمی دهد. در این پژوهش به منظور انتخاب مقدار بهینه ای برای این دو پارامتر در مسئله ی پیش رو، از الگوریتم بهینه سازی گرگ خاکستری استفاده می شود. در نهایت با بهینه سازی مقدار پارامترهای جریمه و پارامتر کرنل برای مسئله ی طرح شده، مقدار ۹.۱۳ برای پارامتر جریمه C و مقدار ۶۳.۲ به عنوان بهترین مقدار پارامترکرنل انتخاب گردید. با استفاده از این ۲ مقدار، الگوریتم رگرسیون ماشین بردار پشتیبانمجددا با این مقادیر با استفاده از داده های آموزشی ، آموزش دید و در نهایت مدل آموزش داده شده بر روی داده های تست اجرا و مقدار فشار منفذی پیش بینی گردید.