Duración:

20 a 40 horas.

Introducción:

Este curso enseña cómo Machine Learning optimiza reservorios no convencionales, ofreciendo flujos de trabajo prácticos y ejemplos reales para mejorar producción y completar pozos eficientemente.

Objetivos del curso:

Desarrollar flujos de trabajo de Machine Learning para optimizar producción y completar reservorios no convencionales, aplicando técnicas avanzadas y casos reales con métricas de rendimiento.

Dirigido a:

Ingenieros, geólogos y petrofísicos interesados en optimizar reservorios no convencionales con Machine Learning.

Programa:

1. Machine Learning intro – Fundamentos y aplicaciones.
2. Reservorios no convencionales – Características y retos.
3. Datos de E&P – Fuentes en exploración y producción.
4. Preparación de datos – Limpieza de datasets complejos.
5. Modelos supervisados – Predicción de producción.
6. Modelos no supervisados – Clustering de reservorios.
7. Deep Learning básico – Uso en análisis avanzado.
8. Optimización de completado – Estrategias conML.
9. Visualización de resultados – Gráficos para decisiones.
10. Casos reales – Ejemplos en shale y tight oil.
11. Métricas de rendimiento – Evaluación de modelos ML.
12. Implementación operativa – Integración en flujos diarios.