← Все проекты

← К описанию проекта

Привет! меня зовут Люман Аблаев. Сегодня я проверю твой проект.
Дальнейшее общение будет происходить на "ты" если это не вызывает никаких проблем.
Желательно реагировать на каждый мой комментарий ('исправил', 'не понятно как исправить ошибку', ...)
Пожалуйста, не удаляй комментарии ревьюера, так как они повышают качество повторного ревью.

Комментарии будут в зеленой, синей или красной рамках:

Успех: Если все сделано отлично

Совет: Если можно немного улучшить

Ошибка: Если требуются исправления. Работа не может быть принята с красными комментариями.

---

Будет очень хорошо, если ты будешь помечать свои действия следующим образом:

Комментарий студента: ..

Изменения: Были внесены следующие изменения ...

Общее впечатление

• Спасибо за качественную работу, было интересно ее проверять.

• Я оставил некоторые советы надеюсь они будут полезными или интересными.
• Техника бутстрап применилась корректно, было проведено тщательное исследование и выбран правильный регион!
• Отправляю проект назад, чтобы у тебя была возможность задать вопросы, если они у тебя есть. Если их нет, то можешь просто отправить проект еще раз и я его зачту

Комментарий студента: Большоу спасибо, за замечания и комментарии. Особое спасибо за профильную дополнительную информацию.

Я готов завершить этот проект, особых вопросов не имею.

Ревьювер[2]: Спасибо за оперативность, приятно видеть фидбек. Рад был быть полезен. Удачи в дальнейшем обучении!

Выбор локации для скважины

Допустим, вы работаете в добывающей компании «ГлавРосГосНефть». Нужно решить, где бурить новую скважину.

Вам предоставлены пробы нефти в трёх регионах: в каждом 10 000 месторождений, где измерили качество нефти и объём её запасов. Постройте модель машинного обучения, которая поможет определить регион, где добыча принесёт наибольшую прибыль. Проанализируйте возможную прибыль и риски техникой Bootstrap.

Шаги для выбора локации:

• В избранном регионе ищут месторождения, для каждого определяют значения признаков;

• Строят модель и оценивают объём запасов;

• Выбирают месторождения с самым высокими оценками значений. Количество месторождений зависит от бюджета компании и стоимости разработки одной скважины;

• Прибыль равна суммарной прибыли отобранных месторождений.

  Вам предоставлены пробы нефти в трёх регионах. Характеристики для каждой скважины в регионе уже известны. Постройте модель для определения региона, где добыча принесёт наибольшую прибыль. Проанализируйте возможную прибыль и риски техникой Bootstrap.

Условия задачи:

Для обучения модели подходит только линейная регрессия (остальные — недостаточно предсказуемые).
При разведке региона исследуют 500 точек, из которых с помощью машинного обучения выбирают 200 лучших для разработки.
Бюджет на разработку скважин в регионе — 10 млрд рублей.
При нынешних ценах один баррель сырья приносит 450 рублей дохода. Доход с каждой единицы продукта составляет 450 тыс. рублей, поскольку объём указан в тысячах баррелей.
После оценки рисков нужно оставить лишь те регионы, в которых вероятность убытков меньше 2.5%. Среди них выбирают регион с наибольшей средней прибылью.

Загрузка и подготовка данных

Загрузим данные, создадим раздельные датфреймы и определимся есть ли у нас проблемы с данными. Будем максимально пользоваться функциями т.к. 3 набора данных.

import pandas as pd
import numpy as np

import matplotlib.pyplot as plt

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

from scipy import stats as st

Успех: Импорты на месте

df_1 = pd.read_csv('/datasets/geo_data_0.csv')
df_1.head()

	id	f0	f1	f2	product
0	txEyH	0.705745	-0.497823	1.221170	105.280062
1	2acmU	1.334711	-0.340164	4.365080	73.037750
2	409Wp	1.022732	0.151990	1.419926	85.265647
3	iJLyR	-0.032172	0.139033	2.978566	168.620776
4	Xdl7t	1.988431	0.155413	4.751769	154.036647

df_2 = pd.read_csv('/datasets/geo_data_1.csv')
df_2.head()

	id	f0	f1	f2	product
0	kBEdx	-15.001348	-8.276000	-0.005876	3.179103
1	62mP7	14.272088	-3.475083	0.999183	26.953261
2	vyE1P	6.263187	-5.948386	5.001160	134.766305
3	KcrkZ	-13.081196	-11.506057	4.999415	137.945408
4	AHL4O	12.702195	-8.147433	5.004363	134.766305

df_3 = pd.read_csv('/datasets/geo_data_2.csv')
df_3.head()

	id	f0	f1	f2	product
0	fwXo0	-1.146987	0.963328	-0.828965	27.758673
1	WJtFt	0.262778	0.269839	-2.530187	56.069697
2	ovLUW	0.194587	0.289035	-5.586433	62.871910
3	q6cA6	2.236060	-0.553760	0.930038	114.572842
4	WPMUX	-0.515993	1.716266	5.899011	149.600746

def info_graph(data):
    plt.title('Распределение объемов')
    plt.xlabel('Объем запасов в скважине', size = '12')
    plt.ylabel('Количество скважин', size = '12')
    data['product'].hist(figsize=(6,6),bins = 50)
    return (print(data.info()),
            print('\nПропущенные значения:\n',data.isna().sum()),
            print('\nЯвные дубликаты:',data.duplicated().sum()),
            print('\nКол-во уникальных id:', len(data['id'].unique())))

info_graph(df_1)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100000 entries, 0 to 99999
Data columns (total 5 columns):
 #   Column   Non-Null Count   Dtype  
---  ------   --------------   -----  
 0   id       100000 non-null  object 
 1   f0       100000 non-null  float64
 2   f1       100000 non-null  float64
 3   f2       100000 non-null  float64
 4   product  100000 non-null  float64
dtypes: float64(4), object(1)
memory usage: 3.8+ MB
None

Пропущенные значения:
 id         0
f0         0
f1         0
f2         0
product    0
dtype: int64

Явные дубликаты: 0

Кол-во уникальных id: 99990

(None, None, None, None)

info_graph(df_2)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100000 entries, 0 to 99999
Data columns (total 5 columns):
 #   Column   Non-Null Count   Dtype  
---  ------   --------------   -----  
 0   id       100000 non-null  object 
 1   f0       100000 non-null  float64
 2   f1       100000 non-null  float64
 3   f2       100000 non-null  float64
 4   product  100000 non-null  float64
dtypes: float64(4), object(1)
memory usage: 3.8+ MB
None

Пропущенные значения:
 id         0
f0         0
f1         0
f2         0
product    0
dtype: int64

Явные дубликаты: 0

Кол-во уникальных id: 99996

(None, None, None, None)

info_graph(df_3)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100000 entries, 0 to 99999
Data columns (total 5 columns):
 #   Column   Non-Null Count   Dtype  
---  ------   --------------   -----  
 0   id       100000 non-null  object 
 1   f0       100000 non-null  float64
 2   f1       100000 non-null  float64
 3   f2       100000 non-null  float64
 4   product  100000 non-null  float64
dtypes: float64(4), object(1)
memory usage: 3.8+ MB
None

Пропущенные значения:
 id         0
f0         0
f1         0
f2         0
product    0
dtype: int64

Явные дубликаты: 0

Кол-во уникальных id: 99996

(None, None, None, None)

Неявные дубликаты

def uniq_id(df):
    ss = df.groupby('id').count()
    ind = ss.loc[ss['f0'] > 1].index
    for i in ind:
       print(df.loc[df['id'].isin([i])])

uniq_id(df_1)

          id        f0        f1        f2     product
64022  74z30  0.741456  0.459229  5.153109  140.771492
66136  74z30  1.084962 -0.312358  6.990771  127.643327
          id        f0        f1        f2    product
3389   A5aEY -0.039949  0.156872  0.209861  89.249364
51970  A5aEY -0.180335  0.935548 -2.094773  33.020205
          id        f0        f1        f2     product
42529  AGS9W  1.454747 -0.479651  0.683380  126.370504
69163  AGS9W -0.933795  0.116194 -3.655896   19.230453
         id        f0        f1         f2     product
931   HZww2  0.755284  0.368511   1.863211   30.681774
7530  HZww2  1.061194 -0.373969  10.430210  158.828695
          id        f0        f1        f2    product
1949   QcMuo  0.506563 -0.323775 -2.215583  75.496502
63593  QcMuo  0.635635 -0.473422  0.862670  64.578675
          id        f0        f1        f2    product
21426  Tdehs  0.829407  0.298807 -0.049563  96.035308
75715  Tdehs  0.112079  0.430296  3.218993  60.964018
          id        f0        f1        f2     product
60140  TtcGQ  0.569276 -0.104876  6.440215   85.350186
92341  TtcGQ  0.110711  1.022689  0.911381  101.318008
          id        f0        f1         f2     product
89582  bsk9y  0.398908 -0.400253  10.122376  163.433078
97785  bsk9y  0.378429  0.005837   0.160827  160.637302
          id        f0        f1        f2    product
1364   bxg6G  0.411645  0.856830 -3.653440  73.604260
41724  bxg6G -0.823752  0.546319  3.630479  93.007798
          id        f0        f1        f2     product
16633  fiKDv  0.157341  1.028359  5.585586   95.817889
90815  fiKDv  0.049883  0.841313  6.394613  137.346586

uniq_id(df_2)

          id         f0         f1        f2     product
5849   5ltQ6  -3.435401 -12.296043  1.999796   57.085625
84461  5ltQ6  18.213839   2.191999  3.993869  107.813044
          id         f0        f1        f2    product
1305   LHZR0  11.170835 -1.945066  3.002872  80.859783
41906  LHZR0  -8.989672 -4.286607  2.009139  57.085625
          id        f0        f1        f2     product
2721   bfPNe -9.494442 -5.463692  4.006042  110.992147
82178  bfPNe -6.202799 -4.820045  2.995107   84.038886
          id         f0        f1        f2     product
47591  wt4Uk  -9.091098 -8.109279 -0.002314    3.179103
82873  wt4Uk  10.259972 -9.376355  4.994297  134.766305

uniq_id(df_3)

          id        f0        f1        f2     product
45404  KUPhW  0.231846 -1.698941  4.990775   11.716299
55967  KUPhW  1.211150  3.176408  5.543540  132.831802
          id        f0        f1        f2     product
11449  VF7Jo  2.122656 -0.858275  5.746001  181.716817
49564  VF7Jo -0.883115  0.560537  0.723601  136.233420
          id        f0        f1        f2     product
44378  Vcm5J -1.229484 -2.439204  1.222909  137.968290
95090  Vcm5J  2.587702  1.986875  2.482245   92.327572
          id        f0        f1        f2     product
28039  xCHr8  1.633027  0.368135 -2.378367    6.120525
43233  xCHr8 -0.847066  2.101796  5.597130  184.388641

Промежуточные выводы:

1) Пропусков нет. 
2) Явные дубликаты отсутствуют.
3)Имеются повторяющиеся ID. Они должны быть уникальными. Но предполагаем это не ошибка, т.к таких значений очень мало скорее всего повторение ID связано с тем что скважины очень близко друг к другу(относятся к одному объекту).

Успех: Данные осмотрены, но можно было бы еще как минимум изучить корреляции, так как мы планируем использовать линейные модели, а для них это важно.

Совет: Советую обратить внимание на библиотеки sweetviz и pandas_profiling помогут в проведении более тщательного EDA анализа. Исследовательский анализ можно делать и с помощью ручного вызова функций дефолтных библиотек. Данные библиотеки хороши для максимизации комфорта презентации результатов анализа бизнес-пользователям.

Очень просты в использоовании, на вход кладется датафрейм: pandas_profiling.ProfileReport(df)

Сохраним уникальные id в датафрейме

Колонка 'ID' содержит уникальные имена и нам она не пригодиться для обучения моделей и предсказаний. Тем не менее сохраним эти значения в отдельный датасет(а вдруг нам пригодиться)

id_table = pd.DataFrame()
id_table['id_1'] = df_1['id']
id_table['id_2'] = df_2['id']
id_table['id_3'] = df_3['id']

df_1.drop(columns=['id'],inplace = True)
df_2.drop(columns=['id'],inplace = True)
df_3.drop(columns=['id'],inplace = True)

Разделение на выборки

def split(data, rs):
    features = data.drop(columns=['product'])
    target = data['product']
    (features_train,
     features_valid,
     target_train,
     target_valid) = train_test_split(features, target, test_size=0.25, random_state = rs)
    print('Размеры выборок: \n','Обучающая:', features_train.shape,'\n Валидационная:', features_valid.shape)
    return (features_train,
            features_valid,
            target_train,
            target_valid) 
    

rs = 12345
(features_train_1,
 features_valid_1,
 target_train_1,
 target_valid_1) = split(df_1, rs)

Размеры выборок: 
 Обучающая: (75000, 3) 
 Валидационная: (25000, 3)

(features_train_2,
 features_valid_2,
 target_train_2,
 target_valid_2) = split(df_2, rs)

Размеры выборок: 
 Обучающая: (75000, 3) 
 Валидационная: (25000, 3)

(features_train_3,
 features_valid_3,
 target_train_3,
 target_valid_3) = split(df_3, rs)

Размеры выборок: 
 Обучающая: (75000, 3) 
 Валидационная: (25000, 3)

Вывод:

1) Данные проблем не имеют.
2)Данные разделены на выборки.
3)Судя по графической информации наименьшая средне-квадратичная ошибка будет на 2-ом датасете.(предположение)

Обучение и проверка модели

По условию задачи обучим модель "LinearRegression". Посчитаем метрики RMSE, R2 и посмотрим среднее кол-во предсказанного сырья.

def fast_model(features_train, features_valid, target_train, target_valid):
    model=LinearRegression()
    model.fit(features_train,target_train)
    predictions=model.predict(features_valid)
    rmse = mean_squared_error(target_valid, predictions)**0.5
    r2 = r2_score(target_valid, predictions)
    mean_product = predictions.mean()
    print('Среднее количество сырья:', mean_product)
    print('Среднеквадратичная ошибка RMSE: %.2f'% rmse)
    print('Коэффициент детерминации:%.4f'% r2 )
    return (predictions)

predictions_1 = fast_model(features_train_1, features_valid_1, target_train_1, target_valid_1)

Среднее количество сырья: 92.59256778438035
Среднеквадратичная ошибка RMSE: 37.58
Коэффициент детерминации:0.2799

predictions_2 = fast_model(features_train_2, features_valid_2, target_train_2, target_valid_2)

Среднее количество сырья: 68.728546895446
Среднеквадратичная ошибка RMSE: 0.89
Коэффициент детерминации:0.9996

predictions_3 = fast_model(features_train_3, features_valid_3, target_train_3, target_valid_3)

Среднее количество сырья: 94.96504596800489
Среднеквадратичная ошибка RMSE: 40.03
Коэффициент детерминации:0.2052

Вывод:

1) Обученная модель не очень хорошо предсказывает данные по 1 и 3 выборке. Ошибка RMSE составляет до 40% от среднего значения. Однако R2 метрика говорит о том что наша модель лучше чем предсказание средним.
2) Обученная модель по 2 ДФ дает крайне высокие результаты. R2 стремиться к 1, значит наша модель 
идеально предсказывает. И среднеквадратичная ошибка составляет 0.89.

Успех: Шаг проделан лаконично, все метрики посчитаны корректно

Подготовка к расчёту прибыли

Посчитаем пороговые значения для рентабельности, и проверим эти пороги на средних значениях сырья.

total_budget = 10000000 #весь бюджет в тыс.
revenue_unit = 450 #стоимость единицы в тыс. (1ед=1000 барелей)
target_propabilites = 0.025 # заданная вероятность убытков  
number_wells =200 # количество скважин
total_wells = 500 # количество точек для проб
de = 1000 # делитель

Совет: Константы принято записывать в ВЕРХНЕМ РЕГИСТРЕ =) Читем здесь https://pythonworld.ru/osnovy/pep-8-rukovodstvo-po-napisaniyu-koda-na-python.html#section-29

А большие значение можно записывать так: 10_000_000.

budget = total_budget / number_wells
print(f'Расходы на одну скважину: {budget /de} млн.')

min_materials = budget / revenue_unit
print(f'Минимальное количество барылей: {min_materials:.2f} тыс. баррелей')

Расходы на одну скважину: 50.0 млн.
Минимальное количество барылей: 111.11 тыс. баррелей

def comparison(predictions, materials):
    if predictions.mean() > materials:
        print(f'Количество баррелей достаточно : {predictions.mean()-materials}')
    else:
        print(f'Количество баррелей не достаточно: {predictions.mean()-materials}')

print('Регион №1')
comparison(predictions_1, min_materials)

print('\nРегион №2')
comparison(predictions_2, min_materials)

print('\nРегион №3')
comparison(predictions_3, min_materials)

Регион №1
Количество баррелей не достаточно: -18.518543326730764

Регион №2
Количество баррелей не достаточно: -42.38256421566511

Регион №3
Количество баррелей не достаточно: -16.146065143106227

Вывод:

***Расходы на разработку одной скважины составили 50млн. Минимальное количество барылей для безубыточной добычи: 111.11 тыс. баррелей. ***

Исходя из средних значений, добыча в этих регионах не ликвидна. Но опираться только на что-то среднее было бы ошибкой. Далее мы рассмотрим задачу с лучшими показателями.

Успех: Значение для безубыточной разработки посчитано верно, с выводом согласен

Расчёт прибыли и рисков

Прибыль по лучшим показателям

def profit (predictions, number_wells, de):
    predictions_series = pd.Series(predictions)
    sort_wells = predictions_series.sort_values(ascending = False).reset_index(drop =True)
    sort_wells = sort_wells[:number_wells]
    profit = sort_wells.sum()*revenue_unit - total_budget
    print(f'Количество сырья с {number_wells} лучших:{sort_wells.sum():.2f} тыс.баррелей')
    print(f'Суммарный доход с {number_wells} скважин:{profit / de:.2f} млн.')
    return sort_wells.sum()

Успех: Ф-ция для подсчета прибыли определена верно

print('Регион №1')
profit(predictions_1, number_wells, de)

Регион №1
Количество сырья с 200 лучших:31102.33 тыс.баррелей
Суммарный доход с 200 скважин:3996.05 млн.

31102.3308388114

print('Регион №2')
profit(predictions_2, number_wells, de)

Регион №2
Количество сырья с 200 лучших:27746.03 тыс.баррелей
Суммарный доход с 200 скважин:2485.71 млн.

27746.026782163426

print('Регион №3')
profit(predictions_3, number_wells, de)

Регион №3
Количество сырья с 200 лучших:29603.90 тыс.баррелей
Суммарный доход с 200 скважин:3321.75 млн.

29603.898658318347

Вывод:

Выбрав по 200 луших скважин в каждом регионе и подсчитав прибыль можно заключить, что в каждом регионе разработка прибыльна. Распределение по доходам: 1) Регион №1 ~40 млрд. 2) Регион №3 33 млрд. 3) Регион №2 ~ 25 млрд.

Но стоит учитывать и риски до начала разработки кого либо из регионов. Далее мы займемся оценками рисков и определим доверительные интервалы.

Риски и прибыль по регионам

Совет: Зачем дублировать функцию? Если из-за принтов, то не лучше было бы добавить параметр для их регуляции?

def profit_2 (target_subsample, predictions, number_wells):
    sort_index = predictions.sort_values(ascending = False).index
    sort_wells = target_subsample[sort_index][:number_wells]
    profit = sort_wells.sum()*revenue_unit - total_budget
    return profit


def risk(target, predictions, total_wells, number_wells, de):    
    values = []
    state = np.random.RandomState(12345)
    predictions_s =pd.Series(predictions, index=target.index)
    count_1 = 0
    for i in range(1000):
        target_subsample = target.sample(n = total_wells, replace=True, random_state=state)
        probs_subsample = predictions_s[target_subsample.index]
        values.append(profit_2(target_subsample,probs_subsample, number_wells))

    values = pd.Series(values)
    mean = values.mean()
    low_95 = values.quantile(0.025)
    high_95 = values.quantile(0.975)
    confidence_interval = st.t.interval(0.95, len(values)-1, values.mean(), values.sem())
    
    for j in values:
        if j < 0:
            count_1 += 1
    if target_propabilites > count_1/1000:
        print(f'Регион нам подходит, вероятность убытков: {count_1/1000:.2%}')
    else:
        print(f'Регион нам не подходит, вероятность убытков: {count_1/1000:.2%}')
    
    print(f'Прибыль с вероятностью 95% находиться в интервале от {low_95} до {high_95}')
    print(f'95%-ый доверительный интервал: {confidence_interval}')
    print("Средняя выручка:", mean)
    

Успех: С бутстрапом тоже все в порядке, метрики считаются верным образом!

Совет:

Риски можно лаконично считать в 1 строку: (values < 0).mean() * 100

risk(target_valid_1, predictions_1, total_wells, number_wells, de)

Регион нам не подходит, вероятность убытков: 6.00%
Прибыль с вероятностью 95% находиться в интервале от -102090.09483793723 до 947976.353358369
95%-ый доверительный интервал: (408732.20706869866, 443144.84675248613)
Средняя выручка: 425938.5269105924

risk(target_valid_2, predictions_2, total_wells, number_wells, de)

Регион нам подходит, вероятность убытков: 1.00%
Прибыль с вероятностью 95% находиться в интервале от 68873.22537050233 до 931547.5912570491
95%-ый доверительный интервал: (501621.47617632174, 528824.070710258)
Средняя выручка: 515222.77344328986

risk(target_valid_3, predictions_3, total_wells, number_wells, de)

Регион нам не подходит, вероятность убытков: 6.40%
Прибыль с вероятностью 95% находиться в интервале от -128880.54732978888 до 969706.9541802666
95%-ый доверительный интервал: (417453.5520413578, 452563.17352415336)
Средняя выручка: 435008.3627827556

Вывод:

Изходя из условий задачи нам подходит только один регион и это регион №2(geo_data_1.csv). Вероятность убытков составила 1%.

Средняя выручка здесь максимальна и размер ее 51,522 млрд.

Доверительный интервал (95%) расположился в пределах от 50 млрд. до 52.88 млрд.

Оценивать возможности разработки по средним значениям это не корректно. Они не отражают картины в целом. Оценка получается односторонней (разработкой в данных регионах с доходом не возможно).

Рассматривать задачу надо в комплексе, как модель предсказывает (насколько велики ошибки), какие риски и конечно какой у нас получается доверительный интервал.

Успех: Отлично, проведено детальное исследование и был выбран правильный регион!

Совет: Если интересно изучить тему бутстрапа глубже - я оставлю ниже несколько интересных и полезных ссылок по теме:

1. "Bootstrap Hypothesis Testing in Statistics with Example"

https://www.youtube.com/watch?v=9STZ7MxkNVg 2. "How to Calculate Bootstrap Confidence Intervals For Machine Learning Results in Python" https://machinelearningmastery.com/calculate-bootstrap-confidence-intervals-machine-learning-results-python/ 3. "A Gentle Introduction to the Bootstrap Method"

https://machinelearningmastery.com/a-gentle-introduction-to-the-bootstrap-method/ 4. "An Introduction to the Bootstrap Method" https://towardsdatascience.com/an-introduction-to-the-bootstrap-method-58bcb51b4d60#:~:text=The%20basic%20idea%20of%20bootstrap,population%20mean)%20on%20sample%20data.&text=A%20sample%20from%20population%20with%20sample%20size%20n 5. "Bootstrapping and Resampling in Statistics with Example" https://www.youtube.com/watch?v=O_Fj4q8lgmc

Чек-лист готовности проекта

Поставьте 'x' в выполненных пунктах. Далее нажмите Shift+Enter.

• Jupyter Notebook открыт
• Весь код выполняется без ошибок
• Ячейки с кодом расположены в порядке исполнения
• Выполнен шаг 1: данные подготовлены
• Выполнен шаг 2: модели обучены и проверены
  • Данные корректно разбиты на обучающую и валидационную выборки
  • Модели обучены, предсказания сделаны
  • Предсказания и правильные ответы на валидационной выборке сохранены
  • На экране напечатаны результаты
  • Сделаны выводы
• Выполнен шаг 3: проведена подготовка к расчёту прибыли
  • Для всех ключевых значений созданы константы Python
  • Посчитано минимальное среднее количество продукта в месторождениях региона, достаточное для разработки
  • По предыдущему пункту сделаны выводы
  • Написана функция расчёта прибыли
• Выполнен шаг 4: посчитаны риски и прибыль
  • Проведена процедура Bootstrap
  • Все параметры бутстрепа соответствуют условию
  • Найдены все нужные величины
  • Предложен регион для разработки месторождения
  • Выбор региона обоснован