JMP in the Upstream 02：確定下降曲線的機器學習方法原會議日期：2021 年 10 月 7 日
涵蓋的主題：圖形生成器、聚類、支持向量機
方法靈感來自 SPE 論文 1961100 - 機器Duvernay 組空間變化下降曲線的學習
可以理解的是，異質性存在於自然環境的所有尺度上。 無論是在孔隙尺度還是盆地尺度，地質學家或石油工程師很少能在井與井之間複製他們的假設或鑽探計劃。 尋找能夠像井一樣快速組合在一起以用於模型構建的工具是業內許多人使用的關鍵工具。 在本次 JMP in the Upstream 會議中，系統工程師 Nick Shelton 重點介紹了使用地質和完井參數對油井進行聚類的工作流程，然後使用這些聚類作為分組類別，使用機器學習工具支持向量機預測遞減曲線。 他提出了一個優雅而簡單的點擊式工作流程，以實現更強大的預測模型，然後做出關於放置井的最佳位置的分析決策。
圖1。 使用遞減曲線預測 Barnett 頁岩中的石油產量德克薩斯州中北部的聚類和支持向量機。
可以理解的是，異質性存在於自然環境的所有尺度上。 無論是在孔隙尺度還是盆地尺度，地質學家或石油工程師很少能在井與井之間複製他們的假設或鑽探計劃。 尋找能夠像井一樣快速組合在一起以用於模型構建的工具是業內許多人使用的關鍵工具。 在本次 JMP in the Upstream 會議中，系統工程師 Nick Shelton 重點介紹了使用地質和完井參數對油井進行聚類的工作流程，然後使用這些聚類作為分組類別，使用機器學習工具支持向量機預測遞減曲線。 他提出了一個優雅而簡單的點擊式工作流程，以實現更強大的預測模型，然後做出關於放置井的最佳位置的分析決策。
回复：上游中的 JMP 02：確定下降曲線的機器學習方法關於一個有用工具的非常清晰和有趣的解釋，顯示出優於 DCA 的明顯優勢以及 ML 如何幫助決策:)感謝分享！
