452993_es-ES

liliconcom

JMP en Upstream 01: aprendizaje automático para predecir la saturación de hidrocarburos

Fecha original de la sesión: 2 de septiembre de 2021

Temas cubiertos: modelado predictivo, aprendizaje automático, redes neuronales, XGBoost

Fuente de datos: https://www.netl.doe.gov/node/6865

 

En este episodio de JMP in the Upstream, Peter Polito (ingeniero de sistemas/geólogo sénior) nos guía a través de una metodología para predecir la saturación de hidrocarburos en el fondo del pozo utilizando cuatro métodos de modelado: mínimos cuadrados estándar, regresión generalizada, redes neuronales y XGBoost. Utiliza las saturaciones de hidrocarburos en el ~1/3 superior del pozo para construir cada uno de los cuatro modelos con el fin de predecir las saturaciones en los ~2/3 inferiores. Descubrir que los dos métodos de aprendizaje automático (redes neuronales y XG Boost) son mejores predictores.

Éxito (o falta de él) en la predicción de la saturación de hidrocarburos en el fondo del pozo utilizando mínimos cuadrados estándar, regresión generalizada, redes neuronales y XGBoost. Los modelos se construyeron utilizando saturaciones de hidrocarburos a menos de 2050 pies para predecir saturaciones a más de 2050 pies.

 

 

 

 

n este episodio de JMP en Upstream, Peter Polito (ingeniero de sistemas/geólogo sénior) nos guía a través de una metodología para predecir la saturación de hidrocarburos en el fondo del pozo utilizando cuatro métodos de modelado: mínimos cuadrados estándar, regresión generalizada, redes neuronales y XGBoost. Utiliza las saturaciones de hidrocarburos en el ~1/3 superior del pozo para construir cada uno de los cuatro modelos con el fin de predecir las saturaciones en los ~2/3 inferiores. Descubrir que los dos métodos de aprendizaje automático (redes neuronales y XG Boost) son mejores predictores.

Re: JMP en Upstream 01: Aprendizaje automático para predecir la saturación de hidrocarburos

Pedro: ¡Gracias por publicar! Conozco a algunas personas...