Para citar este trabalho use um dos padrões abaixo:
O controle da perda de circulação é essencial, sendo caracterizado como um desafio recorrente com impacto significativo na eficiência e segurança das operações de perfuração. Este estudo teve como objetivo explorar aplicações de aprendizado de máquina, utilizando o algoritmo XGBoost, para abordar o desafio da perda de circulação em operações de perfuração de poços de petróleo. A metodologia envolveu o desenvolvimento de modelos de regressão, tanto para dados provenientes de planta experimental quanto para poços reais. Os resultados obtidos demonstraram eficácia nos dois modelos propostos. Foram observados erros Root Mean Squared Error (RMSE) inferiores a 30 bbl/h para a taxa de perda de circulação. Estes resultados evidenciam a capacidade preditiva do modelo. A abordagem inovadora, combinando aprendizado de máquina e análise de dados experimentais, contribui para avanços práticos na indústria petrolífera, fornecendo ferramentas eficientes para o controle e prevenção desse desafio complexo.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo