Data della sessione originale: 7 ottobre 2021
Argomenti trattati: Generatore di grafici, clustering, macchine vettoriali di supporto
Metodologia si ispira a SPE Paper 1961100 - Machine Apprendimento delle curve di declino spazialmente variabili per la formazione Duvernay
Resta inteso che l'eterogeneità esiste a tutte le scale nell'ambiente naturale. Che si tratti della scala dei pori o del bacino, raramente un geologo o un ingegnere petrolifero possono replicare le proprie ipotesi o il proprio piano di trivellazione da un pozzo all'altro. Trovare strumenti che consentano di raggrupparsi rapidamente come pozzi ai fini della costruzione di modelli è uno strumento chiave utilizzato da molti nel settore. In questa sessione di JMP nell'Upstream, l'ingegnere dei sistemi Nick Shelton, evidenzia un flusso di lavoro per utilizzare parametri geologici e di completamento per raggruppare pozzi, quindi utilizzare tali cluster come categorie di raggruppamento per prevedere le curve di declino utilizzando lo strumento di apprendimento automatico, macchine vettoriali di supporto. Presenta un flusso di lavoro punta e clicca elegante e semplice per ottenere un modello predittivo molto più robusto per poi prendere decisioni informate analitiche sulle posizioni migliori in cui posizionare i pozzi.
Figura 1. Prevedere la produzione di petrolio nel Barnett Shale utilizzando le curve di declino clustering e macchine vettoriali di supporto nel Texas centro-settentrionale.
Resta inteso che l'eterogeneità esiste a tutte le scale nell'ambiente naturale. Che si tratti della scala dei pori o del bacino, raramente un geologo o un ingegnere petrolifero possono replicare le proprie ipotesi o il proprio piano di trivellazione da un pozzo all'altro. Trovare strumenti che consentano di raggrupparsi rapidamente come pozzi ai fini della costruzione di modelli è uno strumento chiave utilizzato da molti nel settore. In questa sessione di JMP nell'Upstream, l'ingegnere dei sistemi Nick Shelton, evidenzia un flusso di lavoro per utilizzare parametri geologici e di completamento per raggruppare pozzi, quindi utilizzare tali cluster come categorie di raggruppamento per prevedere le curve di declino utilizzando lo strumento di apprendimento automatico, macchine vettoriali di supporto. Presenta un flusso di lavoro punta e clicca elegante e semplice per ottenere un modello predittivo molto più robusto per poi prendere decisioni informate analitiche sulle posizioni migliori in cui posizionare i pozzi.
Spiegazione molto chiara e interessante su uno strumento utile che mostra chiari vantaggi rispetto a DCA e come il ML può aiutare con il processo decisionale 
grazie per la condivisione!
