JMP in the Upstream 01：机器学习预测碳氢化合物饱和度原会议日期：2021 年 9 月 2 日
涵盖的主题：预测建模、机器学习、神经网络、XGBoost
数据源： https://www.netl.doe.gov/node/6865
在上游 JMP 的这一集中，Peter Polito（高级系统工程师/地质学家）向我们介绍了一种使用四种建模方法预测井下碳氢化合物饱和度的方法：标准最小二乘法、广义回归、神经网络和 XGBoost。 他使用井上部~1/3 的碳氢化合物饱和度来构建四个模型中的每一个，以预测下部~2/3 的饱和度。 发现两种机器学习方法——神经网络和 XG Boost 是更好的预测器。
使用标准最小二乘法、广义回归、神经网络和 XGBoost 预测井下碳氢化合物饱和度的成功（或失败）。 使用浅于 2050 英尺的碳氢化合物饱和度构建模型，以预测深于 2050 英尺的饱和度。
在上游 JMP 的这一集中，Peter Polito（高级系统工程师/地质学家）向我们介绍了一种使用四种建模方法预测井下碳氢化合物饱和度的方法：标准最小二乘法、广义回归、神经网络和 XGBoost。 他使用井上部~1/3 的碳氢化合物饱和度来构建四个模型中的每一个，以预测下部~2/3 的饱和度。 发现两种机器学习方法——神经网络和 XG Boost 是更好的预测器。
回复：上游 JMP 01：机器学习预测碳氢化合物饱和度彼得：谢谢发帖！ 我认识一些人...
