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-TW

liliconcom

JMP在上游01：機器學習預測碳氫化合物飽和度

原定會議日期：2021 年 9 月 2 日

涵蓋主題：預測建模、機器學習、神經網路、XGBoost

資料來源： https://www.netl.doe.gov/node/6865

在JMP 上游節目的這一集中，Peter Polito（高級系統工程師/地質學家）向我們介紹了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。他使用井上部約 1/3 的碳氫化合物飽和度來建立四個模型中的每一個，以預測下部約 2/3 的飽和度。發現兩種機器學習方法—神經網路和 XG Boost 是更好的預測器。

Mt Elbert Methane Hydrate - Graph Builder.png

使用標準最小平方法、廣義回歸、神經網路和 XGBoost 成功（或失敗）預測井下碳氫化合物飽和度。使用淺於 2050 英尺的碳氫化合物飽和度建立模型來預測深於 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、神經網路和XGBoost。他使用井上部約 1/3 的碳氫化合物飽和度來建立四個模型中的每一個，以預測下部約 2/3 的飽和度。發現兩種機器學習方法—神經網路和 XG Boost 是更好的預測器。