Date de la session initiale : 2 septembre 2021
Thèmes abordés : modélisation prédictive, apprentissage automatique, réseaux de neurones, XGBoost
La source de données: https://www.netl.doe.gov/node/6865
Dans cet épisode de JMP dans l'amont, Peter Polito (Sr. Systems Engineer/Geologist) nous explique une méthodologie pour prédire la saturation en hydrocarbures en fond de puits à l'aide de quatre méthodes de modélisation : les moindres carrés standard, la régression généralisée, les réseaux de neurones et XGBoost. Il utilise les saturations en hydrocarbures dans le ~1/3 supérieur du puits pour construire chacun des quatre modèles afin de prédire les saturations dans les ~2/3 inférieurs. Constatant que les deux méthodes d'apprentissage automatique - les réseaux de neurones et XG Boost sont de meilleurs prédicteurs.
Succès (ou échec) dans la prédiction de la saturation en hydrocarbures en fond de trou à l'aide des moindres carrés standard, de la régression généralisée, des réseaux de neurones et de XGBoost. Des modèles ont été construits en utilisant des saturations d'hydrocarbures à moins de 2050 pieds pour prédire les saturations à plus de 2050 pieds.
Pierre : Merci d'avoir posté ! Je connais certaines personnes...
