Comments 9
Наверное, я буду первый здесь. Может быть я не ваш читатель, но я вам скажу, что мне здесь непонятно. А может быть и всем остальным.
Ваша статья выглядит как какой-то доклад-реферат, который вы хотите упомянуть в вашем портфолио. Это похвально, но тогда у вас здесь будет всего 1-2 читателя. Меня, как потенциального читателя вы потеряли на третьем абзаце, когда стали рассказывать почему происходит падение давления, потом вода, потом пласты, потом граница. Я бы предложил вам дать почитать эту статью (или этот абзац) кому-нибудь с улицы или обычному айтишнику. Если он также не поймет смысл, то вы просто опубликовали вашу статью не там.
Если вы хотите, чтобы люди вас оценили, вам следовало бы рассказать как добывают нефть (бурят там или что-то вливают), что собой представляет скважина, что за пласты, что за граница, почему давление падает очень быстро, а потом медленно, а почему у вас на графиках это давление не превращается в ноль (ладно, в одну атмосферу или сколько там надо, чтобы выкачать остатки). Как узнать хотя бы когда качать эту нефть (думаю, когда расход на её выработку равен доходу с продажи или может быть пораньше). Понимаете, всё это интересно! Мне было бы точно… или как минимум понятно.
А что я тут вижу? Ну вижу я, да, давление падает как гипербола. Ну ладно, может быть как экспонента. Ну или ещё как-нибудь. Теории-то под этим нет, как я понимаю… или вы её не описали. А потом вы натравливаете вашу гиперболу с коэффициентами на точки, находите эти коэффициенты (тут мы вспоминаем среднеквадратичное отклонение из университета, которое мы учили в методе «наименьших квадратов») и говорите что-то про машинное обучение.
Я когда открыл эту статью, ожидал увидеть какие-нибудь нейронные сети, узлы, слои, не знаю, что ещё, а нашёл сухой реферат, где на пальцах объяснили мне производную и какой-то Питоновский код.
Извините, если вас обидел. Я знаю, что вы больше знаете о химии нефти, чем я, но вы не смогли заинтересовать меня вашей статьёй. Надеюсь, вы напишете что-нибудь с душой и я с удовольствием почитаю.
Спасибо за ваш развернутый комментарий. Возможно я в дальнейшем напишу подобную статью, изучив достаточно процесс добычи с технической позиции. Я не являюсь petroleum engineer, поэтому теорию описал скудно на основании приведенных источников. Приведенный материал с примерами расчета используется на практике, только в более расширенном виде. Можете посмотреть на пример документации подобных систем https://manual.whitson.com/modules/well-performance/decline-curve-analysis/#1-input
Статья, безусловно, представляет интерес для изучения. Автор проделал большую работу, собрав и систематизировав обширный материал. Обилие информации и разнообразие затронутых тем, безусловно, будет полезно при написании научной публикации для профильного издания.
Однако, как читатель, ожидавший увидеть новые идеи и разработки в области искусственного интеллекта, я остался несколько разочарован. Заявленная тема, к сожалению, не была раскрыта в полной мере. Вместо инновационных решений и прорывных технологий, в статье в основном представлены новые математические подходы, которые, хоть и важны, не совсем соответствуют заявленной теме.
Хотелось бы увидеть больше конкретики именно по части ИИ: возможно, описание новых алгоритмов, архитектур нейронных сетей, примеров практического применения или результатов исследований в этой области. Математический аппарат, безусловно, важен, но в контексте ИИ он должен служить инструментом для достижения конкретных целей, а не являться самоцелью.
В целом, несмотря на мою неудовлетворенность в плане раскрытия темы ИИ, я оцениваю статью как полезную и информативную. Надеюсь, что автор учтет эти замечания и в будущих работах сможет сфокусироваться на более глубоком и детальном исследовании именно аспектов искусственного интеллекта. Желаю автору творческого энтузиазма и успехов в написании новой, еще более интересной и содержательной статьи!
Вы правы. Я хотел включить в статью примеры реализации алгоритмов на основе построения модели TensorFlow. Но модель пока не стабильная, не удалось достичь оптимального прогноза кривой спада. Если получиться составить хотя бы из нескольких слоев с хорошими показателями метрик, то выложу как дополнение к статье
Как и обещал, добавил свои наработки построения модели с помощью TensorFlow. Однако модель не оптимальна на всем участке
«Ну вы, блин, даете».
Я настолько сухой и безжизненный формат отзыва видел только в официальных рецензиях на ВКР и отзывах на диссертации. Даже на журнальные статьи рецензии куда веселее.
Возникает смутное подозрение, что автор комментария — виртуал, комментарии которого генерируются нейросетью. Причём весьма неудачно.
def pre_process(df, column):
df.drop("Unnamed: 0", axis=1, inplace=True)
df.info()
print(df.columns)
# descriptive statistics
df.describe().T
df.head(15)
df.nunique()
df.dtypes
df.shape
# filtering
df.dropna(inplace=True)
# drop rows where oil rate is 0
df = df[(df[column].notnull()) & (df[column] > 0)]
return dfбольшая часть функции просто тратит ресурсы впустую и ничего не выводит!
Слишком сухо и непонятно. Подача материала как на рабочем совещании, где все всё знают.. Ну и основная проблема многих предикативных математических моделей - оценка цифр без учёта влияющих факторов и шума. Точность таких моделей всегда оставляет желать лучшего.
Построить достаточно точную гидродинамическую модель отдельной хорошо изученной залежи и то крайне сложная задача. Добавить в неё особенности инфраструктуры и экономики (когда вынужденно ограничивают добычу, где-то полной остановкой, где-то прижимая режимы), а также неточности и ошибки учёта, и исходные данные для анализа превращаются в тыкву.
В специальной литературе именно так это и описывается, только с выводами закономерностей. Я добавил пару предложений про режимы потока простыми словами. В статье я делаю упор именно на моделирование прогноза, и не ставил цель описания добычи нефти. Насчет шумов и факторов (всплесков и т.д.), я упоминаю про то, что в реальных расчетах необходимо делать подготовку данных (data preprocessing). У нас на проекте было несколько этапов обработки входных данных. Первый этап - это ETL-сервис, который трансформировал данные их формата внешних источников в структуру нашей базы, происходила фильтрация отсутствующих данных. На следующих этапах QA/QC происходил анализ шумов, всплесков и т.п. - это отдельная тема, там присутствуют запатентованные алгоритмы. Алгоритмы прогноза на основе физических моделей работают на практике. Случается, что точность прогноза низкая, в таких случаях инженер может вручную подкорректировать коэффициенты модели и пересчитать прогноз на основании своего опыта
Анализ кривой падения добычи нефтяных и газовых скважин