Абсолютті өткізгіштік арнайы жабдық көмегімен анықталатын кеуекті ортаның маңызды тасымалдау қасиеті, сондықтан оны анықтау маңызды мәселе болып табылады. Бұл мақалада әртүрлі тау жыныстарының абсолютті өткізгіштігін болжау үшін машиналық оқытудың регрессиялық алгоритмдерінің тиімділігі қарастырылады. Random Forest, Gradient Boosting, Support Vector, Lasso, k-Nearest Neighbors және Gaussian Process сияқты алгоритмдердің өнімділігі карбонатты және құмды жыныстардың, сондай-ақ жасанды құмды орамның 266 мини-үлгілерінің деректері негізінде салыстырылды. Осы мини-үлгілердің әрқайсысының кеуек радиусы, кеуек мойнының радиусы, координациялық саны, кеуектілігі, бетінің меншікті ауданы, бұралу және абсолютті өткізгіштігі сияқты қасиеттері бір фазалы сұйық ағынын кеуекті-желілік модельдеу арқылы алынды. әрбір шағын үлгі арқылы. Оқытушы және сынақтаушы деректер жинағы арақатынасының (70/30 және 80/20) және деректер жиынындағы белгілер санының жоғарыда аталған алгоритмдердің әрқайсысының өнімділігіне әсері зерттелді. Нәтижелер қарастырылған деректер жиыны үшін жоғары сенімділікпен абсолютті өткізгіштікті болжауға ең қолайлы Random Forest алгоритмі екенін көрсетті. Болжамның ең жоғары сенімділік коэффициенті R²=0.83 құрады және ол деректер жиынындағы 6 белгінің 5-ін пайдалану нәтижесінде алынды. Gradient Boosting алгоритмі де абсолютті өткізгіштікті жақсы болжау қабілетін көрсетті, дегенмен ол бір ғана дерлік белгіні (кеуектілікті) маңызды деп таңдады. Оның болжауының ең жоғарғы сенімділік коэффициенті R²=0.73 құрады және ол 80/20 үшін алынды. Зерттеу нәтижелері сонымен қатар Random Forest басқа барлық алгоритмдер айтарлықтай жоғары минималды өткізгіштіктерді болжағанын көрсетті. Сондай-ақ Support Vector және k-Nearest Neighbors басқа барлық алгоритмдер орташа өткізгіштікті ең аз қателікпен болжады.