JMP in the Upstream 01：機器學習預測碳氫化合物飽和度原會議日期：2021 年 9 月 2 日
涵蓋的主題：預測建模、機器學習、神經網絡、XGBoost
數據源： https://www.netl.doe.gov/node/6865
在上游 JMP 的這一集中，Peter Polito（高級系統工程師/地質學家）向我們介紹了一種使用四種建模方法預測井下碳氫化合物飽和度的方法：標準最小二乘法、廣義回歸、神經網絡和 XGBoost。 他使用井上部~1/3 的碳氫化合物飽和度來構建四個模型中的每一個，以預測下部~2/3 的飽和度。 發現兩種機器學習方法——神經網絡和 XG Boost 是更好的預測器。
使用標準最小二乘法、廣義回歸、神經網絡和 XGBoost 預測井下碳氫化合物飽和度的成功（或失敗）。 使用淺於 2050 英尺的碳氫化合物飽和度構建模型，以預測深於 2050 英尺的飽和度。
在上游 JMP 的這一集中，Peter Polito（高級系統工程師/地質學家）向我們介紹了一種使用四種建模方法預測井下碳氫化合物飽和度的方法：標準最小二乘法、廣義回歸、神經網絡和 XGBoost。 他使用井上部~1/3 的碳氫化合物飽和度來構建四個模型中的每一個，以預測下部~2/3 的飽和度。 發現兩種機器學習方法——神經網絡和 XG Boost 是更好的預測器。
回复：上游 JMP 01：機器學習預測碳氫化合物飽和度彼得：謝謝發帖！ 我認識一些人...
