Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/paulo-santos-ds/desenvolvimento_pocos_petroleo

Este projeto tem como objetivo desenvolver um modelo que possa prever o melhor local para a perfuração de poços de petróleo. Utilizando modelo de Machine Learning para poder prever o lucro de cada poço.
https://github.com/paulo-santos-ds/desenvolvimento_pocos_petroleo

math matplotlib-pyplot numpy pandas python3 sklearn

Last synced: about 2 months ago
JSON representation

Este projeto tem como objetivo desenvolver um modelo que possa prever o melhor local para a perfuração de poços de petróleo. Utilizando modelo de Machine Learning para poder prever o lucro de cada poço.

Awesome Lists containing this project

README 

        
# Análise Melhores pontos para Poços de Petróleo



## Descrição do Projeto

Este projeto tem como objetivo desenvolver um modelo que possa prever o melhor local para a perfuração de poços de petróleo.

Utilizando modelo de machine learning para poder prever o lucro de cada poço.



## Ferramentas e Bibliotecas Utilizadas

- Python: Linguagem principal utilizada para a análise.

- Pandas e Numpy: Biblioteca para manipulação e análise de dados.

- Sklearn: Biblioteca para construção de modelo de machine learning.

- Matplotlib.pyplot: Biblioteca para construção de gráficos



## Tabela

Para este projeto temos três conjuntos de dados, um para cada região de perfuração, e todos com as mesmas informções:

- id — identificador unívoco de poço de petróleo

- f0, f1, f2 — três características de pontos

- product — volume de reservas no poço de petróleo (milhares de barris).



## Condições:

- Apenas regressão linear deve ser usada para o treinamento do modelo.

- Ao explorar a região, um estudo de 500 pontos é realizado e os melhores 200 pontos são selecionados para calcular o lucro.

- O orçamento para o desenvolvimento de 200 poços de petróleo é 100 milhões de dólares.

- Um barril de petróleo bruto traz 4.5 dólares de receita. A receita de uma unidade de produto é 4.500 dólares (o volume de reservas está em milhares de barris).

- Depois de ter avaliado os riscos, mantenha apenas as regiões com o risco de perdas inferior a 2.5%. Entre aquelas que se enquadram no critério, você precisa selecionar a região com o lucro médio mais alto.

- **Os dados são sintéticos e não incluem nenhum detalhe de contratos ou características de poços.**



## Metodologia

**Análise Exploratória de Dados**

- Importar as bibliotecas necessárias

- Carregar e visualizar os dados



**Preparação do conjunto para o modelo**

- Identificação das festures e target do modelo

- Divisão dos conjuntos em treino, teste e validação



**Construindo e testando modelos**

- Regressão Linear

  - Treino

  - Teste

  - Métricas de avaliação

 

**Calculo de Lucro**

- Criação de uma função para o cálculo do lucro de cada poço de acordo

- Aplicação da técnica de bootstrapping



## Resultados

Após analisar todos os locais e postos selecionados, e levando em conta a qualidade do modelo de regressão que montamos, eu acrdito que a melhor região é a segunda. 

Pois o modelo é mais preciso que os demais e que por mais que apresente o menor lucro, é a que considero ter a menor chance de risco. 



## Aprendizados

- Análise de dados: interpretação e extração de insights valiosos a partir de grandes volumes de dados.

- Preparação do conjunto para aplicações em Machine Learning: separação do conjunto original em teste e treino, além da seleção das features e target do modelo.

- Funções: construção e aplicação de funções para simplificar o código.

- Regras de negócios: aplicação de regras de negócio para resolução de problemas.

- Técnica de bootstrapping: aplicação para construção de intervalos de confiança.

- Aplicação de modelos de Machine Learning: aplicação, seleção de hiperparâmetros, teste e avalição do modelo.

- Documentação de projetos: elaboração de documentação clara e detalhada para garantir que o projeto seja compreensível e replicável.

- Utilização de bibliotecas e ferramentas: aplicação prática de diversas bibliotecas e ferramentas do ecossistema Python.

- Tomada de decisões baseadas em dados: uso de insights derivados da análise de dados para orientar decisões estratégicas.



  ## 🛠️ Instalação



1. Clone este repositório

2. Instale as dependências listadas acima

3. Execute o aplicativo: