Aplicación de aprendizaje supervisado para clasificación de tiempos no productivos de perforación & workover

"La información de la base de datos de perforación & workover describe la actividad operativa que se realiza en los eventos de perforar, completar, reparar y mantener los pozos de gas y petróleo. Durante el desarrollo de las actividades descriptas previamente los Tiempos No Productivos de l...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Arca, Fabio Andrés
Otros Autores: Soliani, Valeria
Formato: Trabajo final de especialización
Lenguaje:Español
Publicado: 2019
Materias:
APLICACIONES
ALGORITMOS
POZOS PETROLEROS
POZOS DE GAS
BASES DE DATOS
Acceso en línea:http://ri.itba.edu.ar/handle/123456789/1705
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-123456789-1705
record_format dspace
spelling I32-R138-123456789-17052022-12-07T15:24:32Z Aplicación de aprendizaje supervisado para clasificación de tiempos no productivos de perforación & workover Arca, Fabio Andrés Soliani, Valeria APLICACIONES ALGORITMOS POZOS PETROLEROS POZOS DE GAS BASES DE DATOS "La información de la base de datos de perforación & workover describe la actividad operativa que se realiza en los eventos de perforar, completar, reparar y mantener los pozos de gas y petróleo. Durante el desarrollo de las actividades descriptas previamente los Tiempos No Productivos de las operaciones son clasificadas en seis clases predefinidas. Con posterioridad, al leer las descripciones que acompañan a la clasificación realizada, se presentan dudas sobre su correcta asignación. En este trabajo se utilizan técnicas de aprendizaje supervisado para clasificar los Tiempos No productivos, determinando aquellos casos en los cuales existen diferencias con la clasificación originalmente asignada. Los no coincidentes deben ser enviados para su revisión con la finalidad de mejorar la calidad de información con la cual se toman decisiones. En una primera aproximación se implementa un algoritmo clasificador base y, para mejorar los resultados obtenidos, se genera un clasificador de múltiples algoritmos incorporado otros campos de información existente. Como resultado se obtiene una precisión general del 86%. En particular las precisiones obtenidas para las clases son del 98%, 90%, 88%, 83%, 75% y 74%." Trabajo Final Ciencia de Datos (especialización) - Instituto Tecnológico de Buenos Aires, Buenos Aires, 2019 2019-08-12T18:38:33Z 2019-08-12T18:38:33Z 2019 Trabajo final de especialización http://ri.itba.edu.ar/handle/123456789/1705 es application/pdf
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic APLICACIONES
ALGORITMOS
POZOS PETROLEROS
POZOS DE GAS
BASES DE DATOS
spellingShingle APLICACIONES
ALGORITMOS
POZOS PETROLEROS
POZOS DE GAS
BASES DE DATOS
Arca, Fabio Andrés
Aplicación de aprendizaje supervisado para clasificación de tiempos no productivos de perforación & workover
topic_facet APLICACIONES
ALGORITMOS
POZOS PETROLEROS
POZOS DE GAS
BASES DE DATOS
description "La información de la base de datos de perforación & workover describe la actividad operativa que se realiza en los eventos de perforar, completar, reparar y mantener los pozos de gas y petróleo. Durante el desarrollo de las actividades descriptas previamente los Tiempos No Productivos de las operaciones son clasificadas en seis clases predefinidas. Con posterioridad, al leer las descripciones que acompañan a la clasificación realizada, se presentan dudas sobre su correcta asignación. En este trabajo se utilizan técnicas de aprendizaje supervisado para clasificar los Tiempos No productivos, determinando aquellos casos en los cuales existen diferencias con la clasificación originalmente asignada. Los no coincidentes deben ser enviados para su revisión con la finalidad de mejorar la calidad de información con la cual se toman decisiones. En una primera aproximación se implementa un algoritmo clasificador base y, para mejorar los resultados obtenidos, se genera un clasificador de múltiples algoritmos incorporado otros campos de información existente. Como resultado se obtiene una precisión general del 86%. En particular las precisiones obtenidas para las clases son del 98%, 90%, 88%, 83%, 75% y 74%."
author2 Soliani, Valeria
author_facet Soliani, Valeria
Arca, Fabio Andrés
format Trabajo final de especialización
author Arca, Fabio Andrés
author_sort Arca, Fabio Andrés
title Aplicación de aprendizaje supervisado para clasificación de tiempos no productivos de perforación & workover
title_short Aplicación de aprendizaje supervisado para clasificación de tiempos no productivos de perforación & workover
title_full Aplicación de aprendizaje supervisado para clasificación de tiempos no productivos de perforación & workover
title_fullStr Aplicación de aprendizaje supervisado para clasificación de tiempos no productivos de perforación & workover
title_full_unstemmed Aplicación de aprendizaje supervisado para clasificación de tiempos no productivos de perforación & workover
title_sort aplicación de aprendizaje supervisado para clasificación de tiempos no productivos de perforación & workover
publishDate 2019
url http://ri.itba.edu.ar/handle/123456789/1705
work_keys_str_mv AT arcafabioandres aplicaciondeaprendizajesupervisadoparaclasificaciondetiemposnoproductivosdeperforacionworkover
_version_ 1766093658166132736

Ejemplares similares