nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

452993_zh-CN

liliconcom

JMP在上游01：机器学习预测碳氢化合物饱和度

原定会议日期：2021 年 9 月 2 日

涵盖主题：预测建模、机器学习、神经网络、XGBoost

数据源： https://www.netl.doe.gov/node/6865

在 JMP 上游节目的这一集中，Peter Polito（高级系统工程师/地质学家）向我们介绍了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。他使用井上部约 1/3 的碳氢化合物饱和度来构建四个模型中的每一个，以预测下部约 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。

Mt Elbert Methane Hydrate - Graph Builder.png

使用标准最小二乘法、广义回归、神经网络和 XGBoost 成功（或失败）预测井下碳氢化合物饱和度。使用浅于 2050 英尺的碳氢化合物饱和度构建模型来预测深于 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。他使用井上部约 1/3 的碳氢化合物饱和度来构建四个模型中的每一个，以预测下部约 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。