Date de la session originale : 7 octobre 2021
Sujets abordés : Graph Builder, clustering, machines à vecteurs de support
La méthodologie est inspirée du papier SPE 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 du bassin, un géologue ou un ingénieur pétrolier peut rarement reproduire ses hypothèses ou son plan de forage d’un puits à l’autre. Trouver des outils permettant 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 et des machines vectorielles de support. Il présente un flux de travail pointer-cliquer élégant et simple pour obtenir un modèle prédictif beaucoup plus robuste afin de prendre ensuite des décisions analytiques sur les meilleurs emplacements pour placer les puits.
Figure 1. Prédiction de la production pétrolière dans les schistes de Barnett à partir de courbes de déclin à l'aide de machines de regroupement et de vecteurs de support 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 du bassin, un géologue ou un ingénieur pétrolier peut rarement reproduire ses hypothèses ou son plan de forage d’un puits à l’autre. Trouver des outils permettant 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 et des machines vectorielles de support. Il présente un flux de travail pointer-cliquer élégant et simple pour obtenir un modèle prédictif beaucoup plus robuste afin de prendre ensuite 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!
