Aplicação de Técnicas de Aprendizado de Máquina na Previsão de Vazão em Meios Porosos
Abstract
Estudos recentes mostram a importância de se prever a vazão do óleo na indústria do petróleo, principalmente pela questão de monitoramento e manutenção de reservatórios [1]. Séries históricas de produção em reservatórios de petróleo revelam correlações entre diversas propriedades, em particular, observa-se uma correlação entre vazão e pressão que será utilizada para prever valores da vazão. Em outros estudos [2], [3] foram mostradas aplicações de modelos preditivos para a previsão da vazão do óleo. [...]
Downloads
References
“INSIM-FT in three-dimensions with gravity”. Em: Journal of Computational Physics 380 (2019), pp. 143–169. issn: 0021-9991. doi: https://doi.org/10.1016/j.jcp.2018.12.016.
Isabel Gonçalves, Thiago Silva, Abelardo Barreto e Sinesio Pesco. “Predicting oil field production using the Random Forest algorithm”. Em: Anais Estendidos do XXXV Conference on Graphics, Patterns and Images. SBC, 2022, pp. 134–139. doi: 10.5753/sibgrapi.est.2022.23277.
Yuejin Luo, P.A. Bern Bern e B.D. Chambers. “Flow-Rate Predictions for Cleaning Deviated Wells”. Em: Paper presented at the IADC/SPE Drilling Conference, New Orleans, Louisiana (1992). doi: https://doi.org/10.2118/23884-MS.
Lior Rokach e Oded Maimon. “Decision Trees”. Em: vol. 6. Jan. de 2005, pp. 165–192. doi: 10.1007/0-387-25465-X_9.
Alexey Natekin e Alois Knoll. “Gradient Boosting Machines, A Tutorial”. Em: Frontiers in neurorobotics 7 (dez. de 2013), p. 21. doi: 10.3389/fnbot.2013.00021.
