Modelo de Aproximación basado en Redes Neuronales para generar Pronósticos de Producción Probabilista a partir de Modelos de Simulación Numérica de Yacimientos - MDA_RN

Es ampliamente reconocido en la industria petrolera que el comportamiento futuro de la producción de un yacimiento no puede ser estimado de manera exacta, debido a todas las incertidumbres asociadas a las variables técnicas del yacimiento y operacionales en el proceso de explotación, sin embargo, tradicionalmente son presentados como perfiles determinísticos que asocian un valor único de producción para cada instante del tiempo. Las metodologías modernas para el diseño de proyectos de explotación exigen migrar a las llamadas “bandas o pronósticos probabilistas”, que asocian, para cada instante del tiempo, una población de posibles valores de la producción que siguen una distribución de probabilidades.

Los pronósticos de producción probabilistas pueden ser estimados a través de modelos analíticos o a partir de un modelo de simulación numérica de yacimientos.

Cuando se requiere determinar ese pronóstico de producción de forma probabilista a partir del modelo de simulación numérica, actualmente no es posible obtenerlo de manera directa con los simuladores numéricos comerciales, teniéndose que requerir el uso de post-procesamiento de los resultados para darle tratamiento probabilista. Aunque existen aplicaciones comerciales y métodos de post-procesamiento automáticos para resolver este problema, el esfuerzo computacional–tiempo–recursos requerido es significativo, principalmente cuando estamos en presencia de yacimientos y procesos de recuperación complejos.

Este documento expone un enfoque metodológico para la estimación de pronósticos de producción probabilistas, a partir de Modelos de Superficie de Respuestas (MSR) o Modelos de Aproximación (MDA) aplicando Redes Neuronales (RN), capaz de reproducir los resultados de modelos de simulación numérica de yacimiento, con esfuerzo computacional razonable y útil en el contexto de los proyectos de explotación y como soporte al proceso de tomas de decisiones.

Por: Karina Semeco/Manuel Freitas.

Documento: https://drive.google.com/file/d/1mlR3xvUf94yV2XxNeqy9XWU5Q0ESwH5d/view?usp=sharing

Espero que esta información les sea útil.

Diferencias entre Inteligencia Artificial (IA) e Inteligencia Computacional (IC)

La inteligencia artificial (IA) tiene por objetivo construir máquinas o sistemas inteligentes que, utilizando estos conocimientos, podrán ser capaces de imitar o superar las capacidades mentales de los humanos: razonamiento, comprensión, imaginación, etcétera.     

Por el contrario, la inteligencia computacional (IC) tiene una doble finalidad. Por un lado, su objetivo científico es comprender los principios que posibilitan el comportamiento inteligente (ya sea en sistemas naturales o artificiales) y, por otro, su objetivo tecnológico consiste en especificar los métodos para diseñar sistemas inteligentes.

Otra de las diferencias más latentes es que la inteligencia artificial trata de ajustar el ambiente a las soluciones conocidas, que están representadas por bases de conocimiento estáticas, mientras que la IC se retroalimenta del ambiente en el que convive y partir de ahí, diseña conocimiento nuevo.

Los modelos y las técnicas de IC se han aplicado en múltiples áreas. Estas son algunas de ellas:

• Las ciencias relacionadas con la tierra y el medio ambiente, enfocadas sobre todo al clima, los océanos y la hidrología. Las redes neuronales artificiales (RNA’s) se han aplicado a la meteorología por satélite y oceanografía para reconocimiento de patrones y clasificación.
• En climatología, la IC sirve para desarrollar modelos numéricos del tiempo atmosférico, analizar el cambio climático planteando predicciones sobre las variaciones en la temperatura de los océanos y en hidrología para predecir las precipitaciones, desbordamientos de ríos, etcétera.
• Otro campo en el que la inteligencia computacional (IC) está siendo ampliamente utilizado es la medicina. Los sistemas difusos se usan en diferentes áreas de diagnóstico médico, como por ejemplo el control del oxígeno o de la anestesia durante la intervención quirúrgica. También para la toma de decisiones médicas mediante la lógica difusa en relación a cuidados intensivos o enfermedades coronarias, etcétera.
• Para el análisis de los mercados financieros, la IC también es una solución muy efectiva. Por un lado, permite detectar mediante el aprendizaje los grupos de nuevos clientes y sus perfiles más adecuados. En este sentido, la computación evolutiva ayuda a generar modelos para gestionar la relación con los clientes y la lógica difusa permite cuantificar la conducta de los clientes.

Espero que esta información les sea útil.

Sugerencias para ser más productivo en Twitter

Les comento algunos tips que me han servido para ser más productivo en Twitter:

• Interactúa con otras cuentas y agrega más valor a sus tweets en los comentarios.
• Involucrarse con otros es el mejor truco para llamar la atención.
• Sigue las mejores cuentas o los mejores patrones de tweets, tendrás éxito mucho más rápido.
• Marca los tweets y vuelve a consultarlos cuando necesites inspiración, aprender de cuentas exitosas es el mejor truco.
• Llega a diferentes cuentas en Twitter y establece relaciones con ellas, mantén tus DM abiertos.
• Mejora tu biografía, se más personal.
• No pierdas el tiempo con los hilos, concéntrate en formatos de tweets pequeños, agregan más valor a las cuentas principales.
• No esperes que tus tweets se vuelvan virales. Mantente publicando con buen contenido.
• Duplica lo que te está funcionando y elimina lo que no.
• Puedes escribir el mismo tweet de 100 maneras diferentes, recicla el contenido antiguo que tenga entre 2 y 3 meses.
• Tan pronto como una cuenta importante publique un tweet o hilo, debes estar entre los primeros en comentar.
• Usa listas de Twitter, son muy útiles, te ayudarán a organizarte, serás más productivo y no te perderás ningún tweet importante. 

Espero les sirva.

Las 10 habilidades blandas que demandará el mercado laboral en el futuro

Las habilidades blandas son el resultado de una combinación de habilidades sociales, de comunicación, de forma de ser, de acercamiento a los demás, entre otras; que forjan a una persona capaz de relacionarse y comunicarse de manera efectiva con otros. Este componente es muy apreciado en la actualidad por las empresas.

Este es el tipo de habilidades que los estudios anteriores han sugerido que son cruciales, ya que la tecnología adquiere muchas de las habilidades técnicas y difíciles. De hecho, estudios anteriores han argumentado que una inversión suficiente en habilidades más humanas y blandas, como liderazgo, creatividad, inteligencia emocional y pensamiento crítico, reduciría significativamente el número de empleos perdidos en la automatización. De hecho, si la inversión en capacitación para estas habilidades pudiera duplicarse, entonces la cantidad de trabajos en riesgo de automatización se reduciría del 10% al 4%.

Dichas habilidades son:

• Gestión de conflictos
• Gestión del tiempo
• Manejo del estrés
• Habilidades de comunicación
• Cultura de la empresa
• Servicio al cliente
• Inteligencia emocional
• Productividad personal
• Narración
• Gestión del cambio

¿Qué es Analítica Prescriptiva?

La analítica prescriptiva es una rama avanzada de la analítica de datos que no solo busca entender lo que ha sucedido (descriptiva) o predecir lo que podría suceder (predictiva), sino que también proporciona recomendaciones sobre las acciones que se deben tomar para lograr un resultado deseado.

Aquí tienes una visión general de cómo funciona:

• Análisis de datos históricos: Utiliza datos pasados para identificar patrones y tendencias.
• Modelos predictivos: Emplea técnicas de machine learning para prever futuros escenarios y posibles resultados.
• Optimización: Aplica algoritmos para encontrar la mejor solución o estrategia, dadas ciertas restricciones y objetivos.
• Recomendaciones: Ofrece sugerencias concretas sobre las acciones a tomar para optimizar los resultados, tales como ajustar precios, gestionar inventarios o planificar rutas logísticas.

En resumen, la analítica prescriptiva va un paso más allá de la predictiva, ayudando a las empresas a tomar decisiones informadas y a implementar estrategias eficaces.

Espero que esta información les sea útil.