[論文レビュー] Estimating the unconfined compressive strength of carbonate rocks using gene expression programming

Saeid R. Dindarloo, Elnaz Siami-Irdemoosa|arXiv (Cornell University)|Jan 26, 2016

Mineral Processing and Grinding参考文献 28被引用数 15

ひとこと要約

本研究では、全孔隙率とP波速度を入力パラメータとして用いることで、炭酸塩岩の非制限圧縮強度（UCS）を推定するハイブリッドモデリング手法として遺伝子発現プログラミング（GEP）を提案する。GEPモデルは決定係数（R²）が95%に達し、予測精度において人工ニューラルネットワークとサポートベクターマシンを上回った。また、回帰モデルに類似した解釈可能な数学的式を維持した。

ABSTRACT

Conventionally, many researchers have used both regression and black box techniques to estimate the unconfined compressive strength (UCS) of different rocks. The advantage of the regression approach is that it can be used to render a functional relationship between the predictive rock indices and its UCS. The advantage of the black box techniques is in rendering more accurate predictions. Gene expression programming (GEP) is proposed, in this study, as a robust mathematical alternative for predicting the UCS of carbonate rocks. The two parameters of total porosity and P-wave speed were selected as predictive indices. The proposed GEP model had the advantage of the both traditionally used approaches by proposing a mathematical model, similar to a regression, while keeping the prediction errors as low as the black box methods. The GEP outperformed both artificial neural networks and support vector machines in terms of yielding more accurate estimates of UCS. Both the porosity and the P-wave velocity were sufficient predictive indices for estimating the UCS of the carbonate rocks in this study. Nearly, 95% of the observed variation in the UCS values was explained by these two parameters (i.e., R2 =95%).

研究の動機と目的

• 炭酸塩岩の非制限圧縮強度（UCS）を推定する、強固で解釈可能なモデルの構築を目的とする。
• 回帰モデルの解釈可能性と、ニューラルネットワークやサポートベクターマシンのようなブラックボックス手法の高い精度を統合することを目的とする。
• 岩石力学分野における遺伝子発現プログラミング（GEP）の予測性能を、既存の機械学習手法と比較して評価することを目的とする。
• 全孔隙率とP波速度が、UCS推定の主要な予測指標として有効であるかどうかを特定することを目的とする。
• 高い精度を維持しつつ、数学的に透明性のある方程式として機能するUCS予測式を提供することを目的とする。

提案手法

• UCSを入力パラメータから予測する数学的式を進化させるために、主に遺伝子発現プログラミング（GEP）をモデリング手法として採用した。
• 使用された入力変数は、岩石強度に与える影響が知られている全孔隙率とP波速度であった。
• GEPアルゴリズムは、突然変異、交差、トランスポジションなどの遺伝的操作を通じて、シンボリック式の集団を進化させた。
• モデルの性能は、決定係数（R²）、平均絶対誤差（MAE）、平均二乗誤差（RMSE）を用いて評価された。
• 最終的なGEPモデルは、独立したデータセットを用いて検証され、人工ニューラルネットワーク（ANNs）およびサポートベクターマシン（SVMs）と比較された。
• 得られたモデルは、解釈可能性を保ちつつ高い予測精度を有する閉形式の数学的式として表現された。

実験結果

リサーチクエスチョン

• RQ1 全孔隙率とP波速度を入力として用いることで、遺伝子発現プログラミングは炭酸塩岩の非制限圧縮強度を効果的に予測できるか？
• RQ2 UCS推定において、GEPの予測精度は人工ニューラルネットワークやサポートベクターマシンと比較してどの程度優れているか？
• RQ3 全孔隙率とP波速度は、炭酸塩岩のUCS値の変動をどの程度説明できるか？
• RQ4 ブラックボックスモデルと同等の性能を達成しつつ、GEPモデルは解釈可能性を維持できるか？
• RQ5 GEPが進化させた最適な数学的式は、観測されたUCS値と最も相関の高いものは何か？

主な発見

• GEPモデルは決定係数（R²）が95%に達し、UCS値の観測された変動のほぼ95％がモデルで説明されたことを示した。
• GEPモデルは、平均絶対誤差と平均二乗誤差が低いことから、人工ニューラルネットワークおよびサポートベクターマシンを予測精度において上回った。
• 全孔隙率とP波速度は、炭酸塩岩のUCS推定に十分かつ非常に有益な予測指標であることが判明した。
• 進化したGEPモデルは、回帰モデルに類似した透明性があり、解釈可能な数学的式を生成した。これにより、工学的文脈での実用的応用が可能になった。
• 95%という高いR²値は、GEP手法が炭酸塩岩のUCS推定において、強力な予測能力と頑健性を有していることを示している。
• 本研究は、GEPが、解釈可能性と高い予測性能の間のギャップを効果的に埋め合わせられることを確認した。