Search research articles

Search research articles

相关实验视频

Updated: Jun 30, 2026

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Published on: October 11, 2018

使用自动机器学习框架中纳入的特征选择方法进行数据驱动的总有机碳预测.

Bruno da Silva Macêdo¹, Dennis Delali Kwesi Wayo^2,3, Deivid Campos⁴

¹Department of Computer Science, Federal University of Lavras, Lavras, MG, 37200-000, Brazil.

Scientific reports

|March 28, 2025

概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same author

Data-driven design of hybrid graphene oxide-MXene polymeric membranes for water purification.

iScience·2026

Same author

Sulfuric acid-induced magnetic chitosan/graphene oxide composite hydrogel beads for pH-dependent adsorption of anionic and cationic dyes: Mechanisms, optimization, and reusability.

International journal of biological macromolecules·2026

Same author

A deep complementary learning framework for surface water temperature forecasting.

Scientific reports·2026

Same author

Does petroleum resource extraction and oceanic heat transfer increase geothermal heat flux? A global multi-sensor study of oil basins.

Innovation (Cambridge (Mass.))·2026

Same author

Synthesis and characterization of graphitic carbon nitride-doped carbon (Cu-Al/Biochar@g-C<sub>3</sub>N<sub>4</sub>) for quinoline yellow removal by the Fenton process: optimization by the response surface method.

Scientific reports·2026

Same author

The plastisphere as a nexus for antimicrobial resistance: micro(nano)plastics in pathogen colonization, gene transfer, and global health risks.

Biological reviews of the Cambridge Philosophical Society·2026

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

自动机器学习 (AutoML) 准确地使用井日志数据预测页岩气储库中的有机碳总量 (TOC). 这种方法简化了分析,节省了与传统实验室方法相关的时间和成本.

科学领域:

地质科学地质科学
石油工程是石油工程中的一个.
数据科学数据科学数据科学

背景情况:

准确的总有机碳 (TOC) 评估对于可持续的页岩气资源开发至关重要.
传统的实验室TOC分析是耗时且昂贵的.
数据驱动的模型存在,但在不同的沉积物环境中需要广泛的参数调整.

研究的目的:

开发一种自动机器学习 (AutoML) 策略,使用井日志数据预测TOC.
为了减少模型开发和参数微调所需的时间和精力.
提供一种高效和准确的方法,用于页岩水库中TOC估计.

主要方法:

使用井日志数据作为预测模型的输入.
实施了AutoML策略,以自动化参数搜索和模型选择.
评估了各种机器学习算法,包括极端随机树 (XT).

主要成果:

自动ML策略成功地从井日志数据中预测了TOC内容.
极端随机树 (XT) 在测试组上表现最好,R=0.8632和MSE=0.1806.
与传统方法相比,开发的方法显著减少了执行时间.

相关实验视频

Last Updated: Jun 30, 2026

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Published on: October 11, 2018

结论:

在页岩气勘探中,AutoML提供了一种强大而高效的数据驱动方法,用于TOC估计.
拟议的战略促进了井数据分析和决策的现实应用.
这种方法增强了对碳化合物来源岩石潜力的评估和页岩气资源评估的评估.