JMP im Upstream 02: Ansatz des maschinellen Lernens zur Bestimmung von AbnahmekurvenUrsprünglicher Sitzungstermin: 7. Oktober 2021
Behandelte Themen: Graph Builder, Clustering, Support-Vektor-Maschinen
Die Methodik ist von SPE Paper 1961100 – Maschine inspiriert Lernen räumlich variierender Abstiegskurven für die Duvernay-Formation
Es versteht sich, dass es in der natürlichen Umwelt auf allen Ebenen Heterogenität gibt. Ob auf Poren- oder Beckenebene, selten kann ein Geologe oder Erdölingenieur seine Annahmen oder seinen Bohrplan von Bohrloch zu Bohrloch reproduzieren. Die Suche nach Werkzeugen, die eine schnelle Gruppierung ähnlicher Brunnen zum Zwecke des Modellbaus ermöglichen, ist ein wichtiges Werkzeug, das von vielen in der Branche verwendet wird. In dieser Sitzung von JMP in the Upstream beleuchtet der Systemingenieur Nick Shelton einen Arbeitsablauf, bei dem geologische Parameter und Fertigstellungsparameter zum Gruppieren von Bohrlöchern verwendet werden. Anschließend werden diese Cluster als Gruppierungskategorien verwendet, um mithilfe des Tools für maschinelles Lernen und Support Vector Machines Abstiegskurven vorherzusagen. Er stellt einen eleganten und einfachen Point-and-Click-Workflow vor, um ein wesentlich robusteres Vorhersagemodell zu erstellen und dann analytisch fundierte Entscheidungen über die besten Standorte für die Platzierung von Bohrlöchern zu treffen.
Abbildung 1. Vorhersage der Ölförderung im Barnett Shale anhand von Rückgangskurven mithilfe von Clustering- und Support-Vektor-Maschinen im Norden von Zentral-Texas.
Es versteht sich, dass es in der natürlichen Umwelt auf allen Ebenen Heterogenität gibt. Ob auf Poren- oder Beckenebene, selten kann ein Geologe oder Erdölingenieur seine Annahmen oder seinen Bohrplan von Bohrloch zu Bohrloch reproduzieren. Die Suche nach Werkzeugen, die eine schnelle Gruppierung ähnlicher Brunnen zum Zwecke des Modellbaus ermöglichen, ist ein wichtiges Werkzeug, das von vielen in der Branche verwendet wird. In dieser Sitzung von JMP in the Upstream beleuchtet der Systemingenieur Nick Shelton einen Arbeitsablauf, bei dem geologische Parameter und Fertigstellungsparameter zum Gruppieren von Bohrlöchern verwendet werden. Anschließend werden diese Cluster als Gruppierungskategorien verwendet, um mithilfe des Tools für maschinelles Lernen und Support Vector Machines Abstiegskurven vorherzusagen. Er stellt einen eleganten und einfachen Point-and-Click-Workflow vor, um ein wesentlich robusteres Vorhersagemodell zu erstellen und dann analytisch fundierte Entscheidungen über die besten Standorte für die Platzierung von Bohrlöchern zu treffen.
Verbraucher- und MarktforschungDatenexploration und -visualisierungBetreff: JMP im Upstream 02: Ansatz des maschinellen Lernens zur Bestimmung von AbnahmekurvenSehr klare und interessante Erklärung zu einem nützlichen Tool, das klare Vorteile gegenüber DCA zeigt und wie ML bei der Entscheidungsfindung helfen kann 
danke für das Teilen!
