Título
[en] SENSITIVITY STUDY OF HYPERPARAMETERS IN E2CO
Título
[pt] UM ESTUDO DA SENSIBILIDADE DOS HIPERPARÂMETROS NO E2CO
Autor
[pt] BRUNO DOS SANTOS COSTA
Vocabulário
[pt] REDE NEURAL
Vocabulário
[pt] E2CO
Vocabulário
[pt] ESTIMADOR DE JAMES STEIN
Vocabulário
[pt] APRENDIZADO DE MAQUINA
Vocabulário
[en] NEURAL NETWORKS
Vocabulário
[en] E2CO
Vocabulário
[en] JAMES STEIN ESTIMATOR
Vocabulário
[en] MACHINE LEARNING
Resumo
[pt] Esta dissertação insere-se no contexto da Modelagem Matemática, com
ênfase em problemas relacionados à Engenharia de Reservatórios. Em particular,
foi abordado ao longo do texto a aplicação de redes neurais para a
predição de importantes dados de poços de petróleo, tais como pressão de
fundo de poço, vazão de óleo e água, ao longo de períodos prolongados. Para
isso, foi utilizado o método conhecido como Embed to Control and Observe.
Um dos principais tópicos discutidos no trabalho foi referente a sensibilidade
dos hiperparâmetros das redes neurais, que são definidos durante o processo
de treinamento. Em especial, houve uma investigação sobre como a variação
desses hiperparâmetros impacta na acurácia das predições. Notou-se que os
pesos aplicados às funções custo (transição, transição de saída, vazão de água,
saturação nos gridblock produtores), o número de batch size, da seed e da versão
de Python impactaram significativamente na acurácia das predições.
Resumo
[en] This dissertation is situated within the field of Mathematical Modeling,
with an emphasis on problems related to Reservoir Engineering. In particular,
the text explores the application of neural networks for the prediction of key oil
well data, such as bottom-hole pressure, oil flow rate, and water flow rate over
extended periods. To achieve this, the method known as Embed to Control and
Observe was employed. One of the main topics discussed in the study concerns
the sensitivity of neural network hyperparameters, which are defined during
the training process. Specifically, the investigation focused on how variations in
these hyperparameters affect the accuracy of the predictions. It was observed
that the weights assigned to the cost functions (transition, output transition,
water flow rate, saturation in producing gridblocks), the batch size, the seed,
and the Python version significantly influenced the prediction accuracy.
Orientador(es)
SINESIO PESCO
Coorientador(es)
ABELARDO BORGES BARRETO JR
Banca
SINESIO PESCO
Banca
ABELARDO BORGES BARRETO JR
Banca
THIAGO DE MENEZES DUARTE E SILVA
Banca
EMILIO JOSE ROCHA COUTINHO
Banca
MALU GRAVE
Catalogação
2025-06-02
Apresentação
2025-04-11
Tipo
[pt] TEXTO
Formato
application/pdf
Idioma(s)
PORTUGUÊS
Referência [pt]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70705@1
Referência [en]
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70705@2
Referência DOI
https://doi.org/10.17771/PUCRio.acad.70705
Arquivos do conteúdo
NA ÍNTEGRA PDF