Ursprünglicher Sitzungstermin: 2. September 2021
Behandelte Themen: prädiktive Modellierung, maschinelles Lernen, neuronale Netze, XGBoost
Datenquelle: https://www.netl.doe.gov/node/6865
In dieser Folge von JMP in the Upstream führt uns Peter Polito (leitender Systemingenieur/Geologe) durch eine Methodik zur Vorhersage der Kohlenwasserstoffsättigung im Bohrloch unter Verwendung von vier Modellierungsmethoden: Standard-Kleinste-Quadrate, verallgemeinerte Regression, neuronale Netze und XGBoost. Er nutzt die Kohlenwasserstoffsättigung im oberen ~1/3 des Bohrlochs, um jedes der vier Modelle zu konstruieren, um die Sättigung im unteren ~2/3 vorherzusagen. Es stellte sich heraus, dass die beiden Methoden des maschinellen Lernens – neuronale Netze und XG Boost – bessere Prädiktoren sind.
Erfolg (oder Misserfolg) bei der Vorhersage der Kohlenwasserstoffsättigung im Bohrloch mithilfe der Standardmethode der kleinsten Quadrate, der allgemeinen Regression, neuronaler Netze und XGBoost. Modelle wurden unter Verwendung von Kohlenwasserstoffsättigungen in einer Tiefe von weniger als 2050 Fuß erstellt, um Sättigungen in einer Tiefe von mehr als 2050 Fuß vorherzusagen.
Peter: Danke fürs Posten! Ich kenne einige Leute...
