TÓPICOS

Introdução aos fluxos de trabalho orientados por dados

Este módulo apresenta a modelação orientada por dados, incluindo a sua ligação com a aprendizagem automática. Examinaremos as crescentes aplicações da aprendizagem automática em diferentes setores da economia e como impacta o dia-a-dia. Os alunos verão, então, como os princípios e efeitos da aprendizagem automática estão a transformar o trabalho no setor petrolífero, com foco nas diversas aplicações da modelação orientada por dados e onde esta pode tornar as operações mais eficientes e rentáveis.

Aprenderá como:

• Defina e descreva a aprendizagem automática.
• Discuta a adoção da aprendizagem automática e da modelação orientada por dados no nosso setor, incluindo os pontos fortes e os potenciais obstáculos.
• Identifique os modos de aprendizagem automática e o que distingue cada um deles.
• Reconhecer os principais tipos de aprendizagem supervisionada.
• Conceptualizar aplicações da aprendizagem supervisionada.
• Descreva a aprendizagem não supervisionada e o que a distingue da aprendizagem supervisionada.
• Conceptualizar aplicações da aprendizagem não supervisionada.
• Identificar diferentes tipos de dados
• Reconhecer os métodos de amostragem e as suas armadilhas.
• Ser capaz de interpretar diversas medidas de estatística univariada:
  • Medidas de tendência central
  • Medidas de propagação
  • Representações visuais de dados
  • Tratamento de valores discrepantes

Aprendizagem de Máquina Supervisionado

Este módulo de competências apresenta a aprendizagem supervisionada como um tipo fundamental de aprendizagem automática que impulsiona a análise baseada em dados em diversos setores económicos e impacta as experiências dos consumidores. O módulo centra-se nas utilizações emergentes da aprendizagem supervisionada na indústria do petróleo e do gás como um importante complemento a outras formas de análise, bem como ao conhecimento especializado, na resolução de diversos problemas e no fornecimento de fluxos de dados fiáveis.

O módulo de competências começa por posicionar a aprendizagem supervisionada entre as três formas de aprendizagem automática e explicando as suas qualidades distintivas. As duas principais formas de aprendizagem supervisionada, a regressão e a classificação, são examinadas em detalhe com diversos exemplos, desde o quotidiano ao trabalho técnico em campos petrolíferos. O módulo discute como os modelos de aprendizagem supervisionada são treinados para se ajustarem aos dados e posteriormente validados para implementação. O procedimento de validação aborda estratégias para equilibrar a complexidade e a previsibilidade do modelo, evitando o sobreajuste e obtendo um desempenho ideal. O módulo também discute as etapas de pré-processamento de dados, incluindo análise exploratória, escalonamento e avaliação de correlação. É dada uma ênfase significativa à escolha adequada de métricas de desempenho para problemas de regressão e classificação. Por fim, o módulo revê os usos emergentes da aprendizagem supervisionada em campos petrolíferos. Uma abordagem de estudo de caso apresenta aplicações básicas e mais complexas, incluindo estudos de especialistas de renome na área.

Aprenderá como:

• Diferencie entre duas formas de aprendizagem supervisionada: a regressão e a classificação.
• Reconhecer casos de uso para regressão e classificação.
• Identifique por que razão uma abordagem iterativa é essencial na aprendizagem supervisionada.
• Reconhecer a covariância e a correlação como aspetos-chave do pré-processamento de dados e acompanhar a sua importância para a aprendizagem supervisionada.
• Reconhecer um fluxo de trabalho generalizado para a aprendizagem supervisionada.
• Identifique e explique as etapas envolvidas na análise exploratória de dados.
• Reconhecer a necessidade de lidar com valores discrepantes, bem como algumas das nuances envolvidas neste processo.
• Reconhecer o propósito da escalabilidade
• Diferencie entre o escalonamento padrão e o escalonamento min-max.
• Identifique como aplicar os métodos Standard e Min-Max.
• Compreenda como as métricas de desempenho são utilizadas para avaliar modelos de regressão.
• Desenvolver a consciência da necessidade de adequar os modelos e as métricas às especificidades dos conjuntos de dados e dos problemas de dados.
• Identificar abordagens para casos mais complexos de avaliação de modelos.
• Reconheça que não existe um algoritmo universal que possa ser utilizado de forma eficaz.

APRENDIZAGEM DE MÁQUINA NÃO SUPERVISIONADA E AGRUPAMENTO

Este módulo de competências apresenta a aprendizagem não supervisionada como um tipo fundamental de aprendizagem automática que simplifica a extração de informação de dados brutos, que podem ser de alta dimensionalidade, ruidosos e heterogéneos. O módulo começa por posicionar a aprendizagem não supervisionada entre as três formas de aprendizagem automática e explicando as suas qualidades distintivas. Está demonstrado que as análises de dados não supervisionadas compreendem principalmente dois objetivos: identificação de padrões ou redução de dimensionalidade. No caso da identificação de padrões, os objetivos podem ser duplos. A aplicação mais comum é condensar grandes conjuntos de dados em agrupamentos significativos que contenham pontos de dados com características semelhantes.

Uma segunda aplicação está relacionada com a deteção de anomalias. Este módulo de competências demonstra que isto pode ser desafiante quando se lida com dados multivariados. Em ambos os casos, é importante ajustar o algoritmo para escolher o número apropriado de clusters e equilibrar a homogeneidade dos clusters com as diferenças entre eles. O módulo aborda também as etapas de pré-processamento de dados, incluindo a análise exploratória de dados e o escalonamento. É apresentada uma discussão sobre uma das abordagens de clusterização para permitir ao participante ver a aprendizagem não supervisionada em ação. Por fim, o módulo revê as utilizações da aprendizagem supervisionada na indústria petrolífera. Um estudo de caso demonstra aplicações básicas e mais complexas, incluindo estudos de especialistas de renome na área.

• Visão geral dos sistemas de transporte de petróleo e gás
• Analisar a hidráulica de condutas, com foco nos aspetos que afetam o projeto, a construção e a operação.
• Definição, levantamento e seleção de rotas de sistemas de oleodutos
• Considerações de segurança, ambientais e regulamentares, com foco nos códigos e normas relacionados com o oleoduto.
• Projeto conceptual e mecânico de condutas visando a resistência, estabilidade e facilidade de construção.
• Seleção de materiais e componentes para condutas, incluindo tubos de linha, proteção contra a corrosão e catódica, e revestimentos.
• Equipamentos e materiais especializados para integração com sistemas de cabeça/manifold de poço submarino, derivações laterais, isolamento e tubagem dupla (tubo-em-tubo).
• Considerações especiais de projeto e construção para risers e umbilicais, travessias de gasodutos estrangeiros, amarrações em ponto único e aproximações costeiras.
• Introdução às considerações sobre a garantia de escoamento e aos aspetos de integridade das condutas, incluindo a inspeção em linha, a deteção de fugas e o planeamento de emergência.
• Considerações sobre a operação, manutenção e reparação de condutas e o seu impacto no projeto e na seleção de materiais.

DESCRIÇÃO DO CURSO

Os recentes avanços na aprendizagem automática e a maior disponibilidade de poder computacional tornaram possível a interpretação de dados complexos, heterogéneos e até mesmo em tempo real. A indústria do petróleo e do gás está a aproveitar esta revolução orientada por dados para gerar insights acionáveis ​​a partir de dados em tempo real de produção, perfuração e completação, fluxos de dados SCADA, dados sísmicos 3D e 4D e dados de poços, tais como testemunhos, perfis geofísicos, lâminas delgadas e imagens de microscopia eletrónica de varrimento (MEV). Além disso, estão a ser utilizados novos tipos de dados, como as medições DTS/DAS.

COMO CONSTRUÍMOS A SUA CONFIANÇA

Os participantes irão adquirir o conhecimento e as competências essenciais para projetar, construir e operar condutas. Os problemas de projeto e projetos em equipa fazem parte deste curso.

Aumentar a consciencialização sobre os objetivos e benefícios da aprendizagem não supervisionada.

Explore o funcionamento da aprendizagem não supervisionada, incluindo o agrupamento e a redução da dimensionalidade.

Avalie os requisitos para o agrupamento ou clusterização adequada dos dados.

Compreenda como a aprendizagem não supervisionada e o clustering são aplicados no setor petrolífero.

Resultados de aprendizagem do treino

No final do curso, os participantes sentir-se-ão confiantes na sua compreensão de:

• Terminologia essencial específica para análise de dados e aprendizagem automática.
• Tipos de dados e protocolos de reporte na indústria de petróleo e gás
• Abordagens práticas para garantir e verificar a qualidade dos dados.
• Análises exploratórias de dados para visualizar e quantificar relações, bem como identificar valores discrepantes.
• Os princípios básicos das ferramentas comuns de aprendizagem automática na indústria petrolífera
• Aprendizagem não supervisionada
• Aprendizagem supervisionada
• Aprendizagem por reforço
• Casos de utilização de aplicações de geociências e engenharia do subsolo baseadas em dados
• Identificar e abordar as armadilhas dos métodos baseados em dados na indústria do petróleo e gás.

Quem deve participar?

Geocientistas, petrofísicos, engenheiros ou qualquer pessoa interessada em engenharia de subsolo e aplicações de aprendizagem automática e análise de dados em geociências.