上流の JMP 01: 炭化水素飽和を予測するための機械学習元のセッション日: 2021 年 9 月 2 日
取り上げるトピック: 予測モデリング、機械学習、ニューラル ネットワーク、XGBoost
情報元： https://www.netl.doe.gov/node/6865
アップストリームの JMP のこのエピソードでは、Peter Polito (シニア システム エンジニア/地質学者) が、標準最小二乗法、一般化回帰、ニューラル ネットワーク、および XGBoost の 4 つのモデリング手法を使用して、ダウンホールの炭化水素飽和を予測する方法論について説明します。 彼は、坑井の上部 ~1/3 の炭化水素飽和を使用して、4 つのモデルのそれぞれを構築し、下部 ~2/3 の飽和を予測します。 2 つの機械学習方法 (ニューラル ネットワークと XG Boost) がより優れた予測因子であることがわかりました。
標準最小二乗法、一般化回帰、ニューラル ネットワーク、および XGBoost を使用したダウンホール炭化水素飽和の予測の成功 (または失敗)。 モデルは、2050 フィートより深い飽和を予測するために、2050 フィートより浅い炭化水素飽和を使用して構築されました。
アップストリームの JMP のこのエピソードでは、Peter Polito (シニア システム エンジニア/地質学者) が、標準最小二乗法、一般化回帰、ニューラル ネットワーク、および XGBoost の 4 つのモデリング手法を使用して、ダウンホールの炭化水素飽和を予測する方法論について説明します。 彼は、坑井の上部 ~1/3 の炭化水素飽和を使用して、4 つのモデルのそれぞれを構築し、下部 ~2/3 の飽和を予測します。 2 つの機械学習方法 (ニューラル ネットワークと XG Boost) がより優れた予測因子であることがわかりました。
Re: 上流の JMP 01: 炭化水素飽和度を予測するための機械学習ピーター: 投稿してくれてありがとう! 何人か知ってる...
