Date de la session initiale : 7 octobre 2021
Sujets abordés : Graph Builder, clustering, support vector machines
Méthodologie s'inspire de SPE Paper 1961100 - Machine Apprentissage des courbes de déclin spatialement variables pour la Formation de Duvernay
Il est entendu que l'hétérogénéité existe à toutes les échelles dans le milieu naturel. Que ce soit à l'échelle des pores ou à l'échelle du bassin, il est rare qu'un géologue ou un ingénieur pétrolier puisse reproduire ses hypothèses ou son plan de forage d'un puits à l'autre. Trouver des outils qui permettent de se regrouper rapidement comme des puits à des fins de construction de modèles est un outil clé utilisé par de nombreux acteurs de l'industrie. Dans cette session de JMP en amont, l'ingénieur système Nick Shelton, met en évidence un flux de travail pour utiliser les paramètres géologiques et de complétion pour regrouper les puits, puis utiliser ces clusters comme catégories de regroupement pour prédire les courbes de déclin à l'aide de l'outil d'apprentissage automatique, prenant en charge les machines vectorielles. Il présente un flux de travail pointer-cliquer élégant et simple pour obtenir un modèle prédictif beaucoup plus robuste pour ensuite prendre des décisions analytiques sur les meilleurs emplacements pour placer les puits.
Figure 1. Prédire la production de pétrole dans les schistes de Barnett à partir de courbes de déclin en utilisant regrouper et prendre en charge les machines vectorielles dans le centre-nord du Texas.
Il est entendu que l'hétérogénéité existe à toutes les échelles dans le milieu naturel. Que ce soit à l'échelle des pores ou à l'échelle du bassin, il est rare qu'un géologue ou un ingénieur pétrolier puisse reproduire ses hypothèses ou son plan de forage d'un puits à l'autre. Trouver des outils qui permettent de se regrouper rapidement comme des puits à des fins de construction de modèles est un outil clé utilisé par de nombreux acteurs de l'industrie. Dans cette session de JMP en amont, l'ingénieur système Nick Shelton, met en évidence un flux de travail pour utiliser les paramètres géologiques et de complétion pour regrouper les puits, puis utiliser ces clusters comme catégories de regroupement pour prédire les courbes de déclin à l'aide de l'outil d'apprentissage automatique, prenant en charge les machines vectorielles. Il présente un flux de travail pointer-cliquer élégant et simple pour obtenir un modèle prédictif beaucoup plus robuste pour ensuite prendre des décisions analytiques sur les meilleurs emplacements pour placer les puits.
Explication très claire et intéressante sur un outil utile montrant des avantages évidents par rapport au DCA et comment le ML peut aider à la prise de décision 
Merci d'avoir partagé!
