452993_ko-KR

liliconcom

업스트림에서의 JMP 01: 탄화수소 포화도를 예측하는 기계 학습

원래 세션 날짜: 2021년 9월 2일

다루는 주제: 예측 모델링, 기계 학습, 신경망, XGBoost

데이터 소스: https://www.netl.doe.gov/node/6865

 

Upstream의 JMP 에피소드에서 Peter Polito(수석 시스템 엔지니어/지질학자)는 표준 최소 제곱, 일반화 회귀, 신경망 및 XGBoost의 네 가지 모델링 방법을 사용하여 다운홀 탄화수소 포화도를 예측하는 방법론을 안내합니다. 그는 유정의 상위 ~1/3에 있는 탄화수소 포화도를 사용하여 하위 ~2/3의 포화도를 예측하기 위해 4개의 모델을 구성합니다. 신경망과 XG Boost라는 두 가지 기계 학습 방법이 더 나은 예측 변수임을 알아냈습니다.

표준 최소 제곱, 일반화 회귀, 신경망 및 XGBoost를 사용하여 다운홀 탄화수소 포화도를 예측하는 데 성공(또는 부족)합니다. 2050피트보다 깊은 포화도를 예측하기 위해 2050피트보다 얕은 탄화수소 포화도를 사용하여 모델을 구성했습니다.

 

 

 

 

이번 Upstream의 JMP 에피소드에서 Peter Polito(수석 시스템 엔지니어/지질학자)는 네 가지 모델링 방법(표준 최소 제곱, 일반화 회귀, 신경망 및 XGBoost)을 사용하여 다운홀 탄화수소 포화도를 예측하는 방법론을 안내합니다. 그는 유정의 상위 ~1/3에 있는 탄화수소 포화도를 사용하여 하위 ~2/3의 포화도를 예측하기 위해 4개의 모델을 구성합니다. 신경망과 XG Boost라는 두 가지 기계 학습 방법이 더 나은 예측 변수임을 알아냈습니다.

Re: 업스트림의 JMP 01: 탄화수소 포화도를 예측하는 기계 학습

피터: 게시해주셔서 감사합니다! 몇몇 사람들을 알고 있습니다...