Machine Learning Applications in Subsurface Energy Resource Management: State of the Art and Future Prognosis

استفاده از تکنیک‌های یادگیری ماشین (ML) برای درک الگوهای پنهان و ساخت مدل‌های پیش‌بینی مبتنی بر داده از مجموعه داده‌های پیچیده چند متغیره به سرعت در بسیاری از رشته‌های علوم کاربردی و مهندسی، از جمله انرژی زمین، در حال افزایش است. با انگیزه این پیشرفت‌ها، برنامه‌های یادگیری ماشینی در مدیریت منابع انرژی زیرسطحی تصویری لحظه‌ای از وضعیت هنر و چشم‌انداز آینده برنامه‌های ML برای مدیریت منابع انرژی زیرسطحی ارائه می‌کند (به عنوان مثال. ، نفت و گاز، ترسیب کربن زمین شناسی، و انرژی زمین گرمایی).

• کاربردهای ML را در حوزه های کاربردی متعدد (مشخصات مخزن، حفاری، تولید، مدل سازی مخزن، و نگهداری پیش بینی کننده) پوشش می دهد. ).

• دیدگاه های مختلفی را از نویسندگانی که شرکت های عامل، دانشگاه ها، و سازمان های تحقیقاتی را نمایندگی می کنند، ارائه می دهد.

• آرایه ای را ارائه می دهد. مطالعات موردی که آخرین کاربردهای چندین تکنیک ML را نشان می دهد.

• شامل بررسی ادبیات و چشم انداز آینده برای هر دامنه برنامه است.

این کتاب برای مهندسان نفت و یا زمین‌شناسان شاغلی که علاقه‌مند به توسعه درک گسترده‌ای از کاربردهای ML در چندین حوزه زیرسطحی هستند، طراحی شده است. همچنین به عنوان یک مطالعه تکمیلی برای دوره های تحصیلات تکمیلی در نظر گرفته شده است و همچنین برای متخصصان و محققانی که در زمینه هیدروژئولوژی و دفع زباله های هسته ای کار می کنند جذاب خواهد بود.

The utilization of machine learning (ML) techniques to understand hidden patterns and build data-driven predictive models from complex multivariate datasets is rapidly increasing in many applied science and engineering disciplines, including geo-energy. Motivated by these developments, Machine Learning Applications in Subsurface Energy Resource Management presents a current snapshot of the state of the art and future outlook for ML applications to manage subsurface energy resources (e.g., oil and gas, geologic carbon sequestration, and geothermal energy).

• Covers ML applications across multiple application domains (reservoir characterization, drilling, production, reservoir modeling, and predictive maintenance).

• Offers a variety of perspectives from authors representing operating companies, universities, and research organizations.

• Provides an array of case studies illustrating the latest applications of several ML techniques.

• Includes a literature review and future outlook for each application domain.

This book is targeted at the practicing petroleum engineer or geoscientist interested in developing a broad understanding of ML applications across several subsurface domains. It is also aimed as a supplementary reading for graduate-level courses and will also appeal to professionals and researchers working with hydrogeology and nuclear waste disposal.