311072_fr-FR

liliconcom

Création de modèles prédictifs avancés - Étude de cas sur le pétrole et le gaz

Cette étude de cas utilise JMP et JMP Pro pour trouver des paramètres géologiques et de complétion optimaux dans les processus pétroliers et gaziers en amont (identification, extraction et production de matières premières).

 

 

 

Découvrez comment :

• Comprendre l'objectif des modèles : déterminer le point de rendement décroissant de l'utilisation de matériaux solides supplémentaires et coûteux (agent de soutènement) dans le processus
• Comprendre la réponse qui vous intéresse - la quantité brute de pétrole et de gaz produite à partir d'un puits particulier sur une année.
• Comprendre les facteurs d'étude
  • Facteurs contrôlés (20 paramètres de complétion, quantité d'agent de soutènement, profondeur de perforation du puits, nombre d'étapes de complétion, longueur latérale du puits)
  • Facteurs pseudo-contrôlés (paramètres de localisation, département, latitude, longitude)
  • Facteurs non contrôlés (23 paramètres géologiques, faciès, épaisseur du réservoir, porosité et perméabilité, carbone organique total (COT))
• Préparer les données pour l'analyse
  • Gérer les valeurs manquantes à l'aide de l'imputation
• Utilisez le dépistage des prédicteurs pour identifier les prédicteurs significatifs parmi tous les facteurs
  • Classez tous les prédicteurs à l’aide de Bootstrap Forest
• Créez un modèle à l'aide de Fit Model pour développer rapidement des modèles linéaires simples à complexes à l'aide de diverses techniques d'ajustement, de paramètres de modèle et de paramètres supplémentaires, notamment des effets aléatoires.
  • Construire le modèle des moindres carrés standard (JMP)
  • Construire un modèle de régression pas à pas (JMP)
  • Construire un modèle de régression logistique (JMP)
  • Utilisez la régression généralisée (Pro) pour créer des ensembles de texte, de validation et de formation, puis modéliser des données corrélées et de grande dimension.
• Utilisez JMP Pro pour ajuster un modèle d'ensemble en faisant la moyenne de nombreux arbres de décision.
  • Découvrez comment chaque division prend en compte un sous-ensemble aléatoire de prédicteurs
  • Utilisez Prediction Profiler pour identifier les points de rendements décroissants

Modélisation statistique avancée