452993_it-IT

liliconcom

JMP in Upstream 01: Machine Learning per prevedere la saturazione di idrocarburi

Data della sessione originale: 2 settembre 2021

Argomenti trattati: modellazione predittiva, machine learning, reti neurali, XGBoost

Fonte di dati: https://www.netl.doe.gov/node/6865

 

In questo episodio di JMP in the Upstream, Peter Polito (Sr. Systems Engineer/Geologist) ci guida attraverso una metodologia per prevedere la saturazione di idrocarburi downhole utilizzando quattro metodi di modellazione: minimi quadrati standard, regressione generalizzata, reti neurali e XGBoost. Usa le saturazioni di idrocarburi nel ~1/3 superiore del pozzo per costruire ciascuno dei quattro modelli al fine di prevedere le saturazioni nei ~2/3 inferiori. Scoprire che i due metodi di apprendimento automatico, le reti neurali e XG Boost, sono predittori migliori.

Successo (o mancanza) nel predire la saturazione di idrocarburi nel fondo pozzo usando i minimi quadrati standard, la regressione generalizzata, le reti neurali e XGBoost. I modelli sono stati costruiti utilizzando saturazioni di idrocarburi inferiori a 2050 piedi per prevedere saturazioni più profonde di 2050 piedi.

 

 

 

 

In questo episodio di JMP in the Upstream, Peter Polito (Ingegnere di Sistemi/Geologo Senior) ci guida attraverso una metodologia per la previsione della saturazione di idrocarburi nel fondo pozzo utilizzando quattro metodi di modellazione: minimi quadrati standard, regressione generalizzata, reti neurali e XGBoost. Usa le saturazioni di idrocarburi nel ~1/3 superiore del pozzo per costruire ciascuno dei quattro modelli al fine di prevedere le saturazioni nei ~2/3 inferiori. Scoprire che i due metodi di apprendimento automatico, le reti neurali e XG Boost, sono predittori migliori.

Re: JMP nell'Upstream 01: Machine Learning per prevedere la saturazione di idrocarburi

Pietro: Grazie per aver postato! Conosco alcune persone...