452993_de-DE

liliconcom

JMP im Upstream 01: Maschinelles Lernen zur Vorhersage der Kohlenwasserstoffsättigung

Ursprüngliches Sitzungsdatum: 2. September 2021

Behandelte Themen: Vorhersagemodellierung, maschinelles Lernen, neuronale Netze, XGBoost

Datenquelle: https://www.netl.doe.gov/node/6865

 

In dieser Episode von JMP in the Upstream führt uns Peter Polito (Sr. Systems Engineer/Geologe) durch eine Methodik zur Vorhersage der Kohlenwasserstoffsättigung im Bohrloch unter Verwendung von vier Modellierungsmethoden: standardmäßige kleinste Quadrate, verallgemeinerte Regression, neuronale Netze und XGBoost. Er verwendet die Kohlenwasserstoffsättigungen im oberen ~1/3 des Bohrlochs, um jedes der vier Modelle zu konstruieren, um Sättigungen im unteren ~2/3 vorherzusagen. Die Feststellung, dass die beiden maschinellen Lernmethoden – neuronale Netze und XG Boost – bessere Prädiktoren sind.

Erfolg (oder Fehlen davon) bei der Vorhersage der Kohlenwasserstoffsättigung im Bohrloch unter Verwendung von standardmäßigen kleinsten Quadraten, verallgemeinerter Regression, neuronalen Netzen und XGBoost. Modelle wurden unter Verwendung von Kohlenwasserstoffsättigungen unter 2050 Fuß konstruiert, um Sättigungen tiefer als 2050 Fuß vorherzusagen.

 

 

 

 

In dieser Folge von JMP im Upstream führt uns Peter Polito (Sr. Systems Engineer/Geologe) durch eine Methodik zur Vorhersage der Kohlenwasserstoffsättigung im Bohrloch unter Verwendung von vier Modellierungsmethoden: standardmäßige kleinste Quadrate, verallgemeinerte Regression, neuronale Netze und XGBoost. Er verwendet die Kohlenwasserstoffsättigungen im oberen ~1/3 des Bohrlochs, um jedes der vier Modelle zu konstruieren, um Sättigungen im unteren ~2/3 vorherzusagen. Die Feststellung, dass die beiden maschinellen Lernmethoden – neuronale Netze und XG Boost – bessere Prädiktoren sind.

Betreff: JMP im Upstream 01: Maschinelles Lernen zur Vorhersage der Kohlenwasserstoffsättigung

Peter: Danke fürs Posten! Ich kenne einige Leute...