Data della sessione originaria: 7 ottobre 2021
Argomenti trattati: Generatore di grafici, clustering, macchine vettoriali di supporto
La 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 tutti i livelli nell’ambiente naturale. Sia alla scala dei pori che a quella dei bacini, raramente un geologo o un ingegnere petrolifero riesce a replicare le proprie ipotesi o il proprio piano di trivellazione da un pozzo all’altro. Trovare strumenti che consentano di raggruppare 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 di sistema Nick Shelton, evidenzia un flusso di lavoro per utilizzare parametri geologici e di completamento per raggruppare i pozzi, quindi utilizzare tali cluster come categorie di raggruppamento per prevedere le curve di declino utilizzando lo strumento di apprendimento automatico, supportando le macchine vettoriali. Presenta un flusso di lavoro punta e clicca elegante e semplice per ottenere un modello predittivo molto più robusto per poi prendere decisioni basate sull'analisi sulle posizioni migliori in cui posizionare i pozzi.
Figura 1. Previsione della produzione di petrolio nel Barnett Shale dalle curve di declino utilizzando clustering e macchine vettoriali di supporto nel Texas centro-settentrionale.
Resta inteso che l’eterogeneità esiste a tutti i livelli nell’ambiente naturale. Sia alla scala dei pori che a quella dei bacini, raramente un geologo o un ingegnere petrolifero riesce a replicare le proprie ipotesi o il proprio piano di trivellazione da un pozzo all’altro. Trovare strumenti che consentano di raggruppare 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 di sistema Nick Shelton, evidenzia un flusso di lavoro per utilizzare parametri geologici e di completamento per raggruppare i pozzi, quindi utilizzare tali cluster come categorie di raggruppamento per prevedere le curve di declino utilizzando lo strumento di apprendimento automatico, supportando le macchine vettoriali. Presenta un flusso di lavoro punta e clicca elegante e semplice per ottenere un modello predittivo molto più robusto per poi prendere decisioni basate sull'analisi sulle posizioni migliori in cui posizionare i pozzi.
Spiegazione molto chiara e interessante su uno strumento utile che mostra chiari vantaggi rispetto al DCA e come il ML può aiutare nel processo decisionale 
grazie per la condivisione!
