Тема конечно интересная, но вы сами четко указали почему в ближайшее время не будет массового применения метод ML (деревья решений, нейросети) для решения задачи, которую вы пытаетесь решить — огромная неопределенность в данных, даже замеры дебитов жидкости могут ошибаться в несколько раз, не говоря уже об обводненности, где пробы с одной скважины могут кардинально отличаться. Поэтому применение нейросетей в чистом виде для той задачи, которую вы пытаетесь решать пока не применимо. Необходимы гибридные подходы, в которых будут использованы и физические модели (ГДМ, мат баланс, CRM, INSIM и т.д.), например в качестве дополнительного регуляризатора. Это не значит, что сейчас ML вообще не применимы в нефтянке. Та же геология, прогноз работы газлифта и вообще моделей скважины, прогнозы ГТМ т.е. в тех областях, где у нас потенциально может быть большой объем достоверных данных. Пишу с телефона, поэтому извиняюсь за сумбурное изложение.
Посмотрел статью по диагонали, это какая-то теоретическая скорость звука, которая учитывает не все эффекты. Да и там есть график, на котором нанесены экспериментальные замеры скорости и значение, рассчитанные по этой формуле — визуально отличия сильные. Конечно если в среднем посчитать отклонение, то может все будет не так плохо:)
Все зависит от Ваших целей. Если хотите писать крупный проект с большим количеством сложно векторизуемых циклов, то на пайтоне придется повозиться (Numpy+Numba) и то вероятно в скорости проиграете. Вообще, у Julia очень низкий порог вхождения, так что попробовать можно, а там уже и к Python'у не захотите возвращаться)
Мы пишем научный софт на Julia. Изначально использовали матлаб, но когда начали выходить на продакшн поняли, что нужно срочно искать альтернативу. Pyton очень медленный, чтобы на нем написать быстрый код нужно изрядно помучаться. Плюсы слишком сложные, да и по срокам бы никак не успели. Вот и пришлось остановиться на julia. Из основных плюсов для нас: большое количество библиотек сильно облегчающих написание научного софта, простой синтаксис чем-то похожий на матлаб, простое распараллеливание (как встроенное в Julia, так и mpi), простой дебаггинг и профилирование и т.д. Да и Julia, в отличие от того же матлаба, все-таки язык общего назначения и часть серверного бэкенда написана именно на ней.
Тема конечно интересная, но вы сами четко указали почему в ближайшее время не будет массового применения метод ML (деревья решений, нейросети) для решения задачи, которую вы пытаетесь решить — огромная неопределенность в данных, даже замеры дебитов жидкости могут ошибаться в несколько раз, не говоря уже об обводненности, где пробы с одной скважины могут кардинально отличаться. Поэтому применение нейросетей в чистом виде для той задачи, которую вы пытаетесь решать пока не применимо. Необходимы гибридные подходы, в которых будут использованы и физические модели (ГДМ, мат баланс, CRM, INSIM и т.д.), например в качестве дополнительного регуляризатора. Это не значит, что сейчас ML вообще не применимы в нефтянке. Та же геология, прогноз работы газлифта и вообще моделей скважины, прогнозы ГТМ т.е. в тех областях, где у нас потенциально может быть большой объем достоверных данных. Пишу с телефона, поэтому извиняюсь за сумбурное изложение.
Посмотрел статью по диагонали, это какая-то теоретическая скорость звука, которая учитывает не все эффекты. Да и там есть график, на котором нанесены экспериментальные замеры скорости и значение, рассчитанные по этой формуле — визуально отличия сильные. Конечно если в среднем посчитать отклонение, то может все будет не так плохо:)