Machine Learning in the Oil and Gas Industry
Ayush Rastogi, Luigi Saputelli, Sribharath Kainkaryam, Srimoyee Bhattacharya, Yogendra Narayan Pandey
- Editorial
- Apress
- Año
- 2020
- Páginas
- ~300
- Nivel
- Intermedio
De qué trata
Tratado práctico y especializado sobre la adopción de inteligencia artificial y ciencia de datos en la industria del petróleo y gas, alineado con la transformación digital conocida como 'Oil and Gas 4.0'. El libro, escrito de forma conjunta por un equipo multidisciplinario de ingenieros y científicos (Ayush Rastogi, Luigi Saputelli, Sribharath Kainkaryam, Srimoyee Bhattacharya y Yogendra Narayan Pandey), está pensado para ingenieros petroleros, geocientíficos, petrofísicos y desarrolladores de nivel intermedio que conocen los conceptos del sector de hidrocarburos y desean resolver problemas técnicos en el ciclo de exploración y producción (E&P) usando Python 3.
El contenido recorre los cuatro dominios técnicos esenciales del sector upstream: geofísica y procesamiento de señales sísmicas, geomodelado, ingeniería de yacimientos (reservoir engineering) e ingeniería de producción. Se apoya en librerías estándar como NumPy, pandas, SciPy, Scikit-Learn y TensorFlow para analizar volúmenes sísmicos, interpretar registros de pozo (well logs), predecir propiedades petrofísicas de las formaciones rocosas, modelar el comportamiento dinámico de fluidos en reservorios y monitorear el desempeño de pozos con sistemas de levantamiento artificial (artificial lift). Además, los autores discuten las particularidades del flujo de datos en la industria energética, la gestión de incertidumbre geológica y las barreras operativas para la adopción de IA en campo.
La formación se desarrolla mediante el análisis y modelado de datos abiertos representativos de la industria (conjuntos de datos sísmicos públicos y series temporales de producción), construyendo soluciones reproducibles en scripts de Python. El libro sobresale por ser uno de los pocos recursos que traduce rigurosamente la física de reservorios y la geología a formulaciones de Machine Learning aplicadas; no obstante, no incluye tópicos del sector downstream (refinación y distribución comercial) ni desarrollo de gemelos digitales en tiempo real con IoT industrial. Conviene contar con bases sólidas de ingeniería de petróleos o geociencias y conocimientos elementales de Python para aprovecharlo íntegramente.
- Python
- Petróleo y Gas
- Geofísica
- Datos sísmicos
- Well Logging
- Geomodelado
- Ingeniería de yacimientos
- Ingeniería de producción
- Scikit-Learn
- TensorFlow
- Oil and Gas 4.0
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Procesamiento de datos sísmicos y clasificación litológica
Segmentación e interpretación de rasgos geológicos en cubos sísmicos y predicción de facies sedimentarias a partir de registros petrofísicos de pozo usando Scikit-Learn y redes neuronales en Python.
Modelado predictivo de reservorios y fluidos de formación
Estimación de propiedades petrofísicas y pronóstico del comportamiento de presiones y flujos en yacimientos mediante algoritmos de regresión supervisada y análisis multivariado.
Optimización operativa en ingeniería de producción de pozos
Análisis y modelado predictivo sobre series temporales de extracción para diagnosticar el estado operativo y maximizar la eficiencia de sistemas de levantamiento artificial (artificial lift).
