Geri Dön

Oil & natural gas production rate prediction based on data history using machine learning models

Makine öğrenimi modellerini kullanarak veri geçmişine dayalı petrol ve doğal gaz üretim hızı tahmini

  1. Tez No: 798221
  2. Yazar: OMAR ABDULKAREEM KHALAF KHALAF
  3. Danışmanlar: DOÇ. DR. ADİL DENİZ DURU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 76

Özet

İnsan yapımı beyin gücü (simüle edilmiş zeka) son zamanlarda pek çok alanda, özellikle petrol ve gaz endüstrisinde çokça dikkate alınmıştır. Simüle edilmiş istihbarat, petrol ve gaz kuruluşlarının daha kesin seçimler peşinde koşarken kritik parayı bir kenara koymasına izin vererek esasen ilerledi. Bu yazıda, yapay zeka ve derin öğrenme prosedürleri de dahil olmak üzere İnsan yapımı muhakeme ışığında petrol ve gaz oluşumunu öngörmek için başka bir strateji petrol tasarımına uygulandı. Yaratma oranlarını ölçmek için farklı insan yapımı zekaya dayalı hesaplamalar kullanılır. Bu çalışma, nüks hesaplamalarını ve grup stratejilerini kullanarak sonuçların kullanılmasıyla başa çıkmanın akıllıca bir yolunu önerdi. Petrol ve gaz oluşumunu öngörmek için, uzun geçici bellek (LSTM), kapılı aralıklı birim (GRU) ve doğrudan tekrarlayan beyin organizasyonları (Temel RNN) dahil olmak üzere tekrarlayan beyin organizasyonlarını kullanmak için orijinal bir teknik yaratılmıştır. Kontrast ve geleneksel bozunma viraj incelemesi ve depo gösterme teknikleri için, uzun anlık bellek seçildi. Sonuç, uzun kısa süreli belleğin gelişiminin DCA'dan daha iyi performans gösterdiğini ve bazı durumlarda tutulma modelinden daha iyi sonuç verdiğini gösterdi. Bu araştırma, gelecekteki üretimi tahmin etmek için makine öğrenimi ve derin öğrenme algoritmalarının potansiyelini ve verimliliğini anlamaya odaklanmaktadır. Bu çalışma, on iki farklı makine/derin öğrenme algoritmasını ve bunların performans değerlendirmesini araştırdı. Yararlı ve sağlam makine/derin öğrenme kitaplıkları nedeniyle uygulama için Python seçilmiştir.

Özet (Çeviri)

Man-made brainpower (simulated intelligence) has as of late gotten a ton of consideration in many fields, especially in the oil and gas industry. Simulated intelligence has progressed essentially, permitting oil and gas organizations to set aside critical cash while pursuing more precise choices. In this paper, another strategy for anticipating oil and gas creation in view of Man-made reasoning, including AI and profound learning procedures, is applied to petrol designing. Different man-made intelligence based calculations are utilized to gauge creation rates. This study proposed a clever way to deal with utilizing the outcomes by using relapse calculations and group strategies. To foresee oil and gas creation, an original technique for utilizing repetitive brain organizations, including long transient memory (LSTM), gated intermittent unit (GRU), and straightforward repetitive brain organizations (Basic RNN), has been created. To contrast and conventional decay bend examination and repository demonstrating techniques, long momentary memory was picked. The outcome showed that the development of long short term memory has outperformed DCA and give better result than eclipse model in some cases. This research focuses on figuring out the potential and efficiency of machine learning and deep learning algorithms to predict production in the future. This study explored twelve different machine/deep learning algorithms and their performance evaluation. Python is chosen for the implementation because of its useful and robust machine/deep learning libraries.

Benzer Tezler

  1. A review and evaluation of development in exploration, production, reserves estimation, and research efforts for shale gas and oil

    Şeyl gazı ve petrolü için arama, üretim, rezerv kestirimive araştırma çalışmalarının incelenmesi ve değerlendirilmesi

    OSMAN MOHAMMED

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. İBRAHİM METİN MIHÇAKAN

  2. Makine öğrenmesi algoritmalarıyla elektrik tüketimi için talep tahmin modellemeleri ve yenilenebilir enerjinin artan önemi: Türkiye örneği

    Demand forecasting modelling for electricity consumption with machine learning algorithms and the increasing importance of renewable energy: The case of Turkiye

    İLKNUR YEŞİM DİNÇEL KIRATOĞLU

    Doktora

    Türkçe

    Türkçe

    2024

    Ekonomiİstanbul Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. YÜKSEL BAYRAKTAR

  3. Prediction of flow rates from different entries using PLT p-T measurements in a horizontal well by machine learning methods

    Makine öğrenmesi teknikleri ile bir yatay kuyunun farklı girişlerin debilerinin PLT p-T ölçümlerinden tahmini

    MUHARREM HİLMİ ÇEVİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT ÇINAR

  4. Türkiye'de yeraltı gaz depolaması gereksinimi ve Kuzey Marmara gaz sahasının depo olarak modellenmesi

    The need for underground gas storage in turkey and modeling of the Northern Marmara gas field as a storage reservobr

    HÜLYA KARAALİOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDURRAHMAN SATMAN