MODELADO DEL COSTO DE CONSTRUCCIÓN DE UNA PLATAFORMA DE PERFORACIÓN MARINA UTILIZANDO RANDOM FOREST
DOI:
https://doi.org/10.56238/arev7n11-001Palabras clave:
Bosque Aleatorio, Plataforma de Perforación Offshore, Factores de CostoResumen
Las plataformas de perforación offshore son equipos vitales para la exploración y el desarrollo de yacimientos petrolíferos; por lo tanto, la estimación precisa de sus costos de construcción es crucial para la planificación de proyectos de construcción de plataformas. Este artículo explora el desarrollo de un modelo de bosque aleatorio para pronosticar los costos de construcción de plataformas de perforación offshore. El modelo busca proporcionar estimaciones precisas y confiables de los factores de costo basándose en un conjunto de datos robusto que incluye costos históricos de construcción y características de diseño de las plataformas. El enfoque de aprendizaje basado en predicciones utilizado en el algoritmo de bosque aleatorio captura eficazmente relaciones e interacciones complejas en los datos, mejorando la precisión del pronóstico en comparación con los métodos de regresión tradicionales. Se detallarán la construcción, validación y hallazgos significativos del modelo, destacando su capacidad para minimizar errores de estimación y respaldar la toma de decisiones en la presupuestación de proyectos. Los objetivos de esta investigación abarcan la gestión de recursos, el control de costos y la planificación estratégica en proyectos de construcción de plataformas.
Descargas
Referencias
BOMAN, K. Rig construction boom continues. Offshore Magazine, 2008. Disponível em: https://www.offshore-mag.com/business-briefs/equipment-engineering/article/16761659/rig-construction-boom-continues. Acesso em: 13 jun. 2025.
BREIMAN, L., FRIEDMAN, J. H., OLSHEN, R. A., & STONE, C. J. Classification and Regression Trees. Wadsworth and Brooks/Cole Advanced Books & Software, 1986.
BREIMAN, L. Random Forests. Machine Learning, 45(1), 5-32, 2001.
HASTIE, T., TIBISHIRANI, R., & FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed., Springer, 2009.
HVITFELDT, E., PEDERSEN, T.L., BENESTY, M. lime: Local Interpretable Model-Agnostic Explanations, 2022. Disponível em: https://doi.org/10.32614/CRAN.package.lime. Acesso em: 15 jun. 2025.
KAISER, M. J., SNYDER, B. F. Reviewing rig construction cost factors, 2012. Disponível em: https://www.offshore-mag.com/business-briefs/equipment-engineering/article/16760123/reviewing-rig-construction-cost-factors. Acesso em: 13 jun. 2025.
KAISER, M. J., SNYDER, B., PULSIPHER, A.G. Offshore Drilling Industry and Rig Construction Market in the Gulf of Mexico, Louisiana State University Center for Energy Studies Coastal Marine Institute, OCS Study BOEM 2013-0112, 2013.
OFFSHORE MAGAZINE Report: No resurgence seen for newbuild rig construction, 2023. Disponível em: https://www.offshore-mag.com/rigs/article/14298424/westwood-global-energy-group-report-no-resurgence-seen-for-newbuild-rig-construction. Acesso em: 13 jun. 2025.
MOLNAR, C. Interpretable Machine Learning: A Guide for Making Black Box Models Explainable, Lulu.com, 2019.
RIBEIRO, M.T., SINGH, S., GUESTRIN, C Why Should I Trust You? Explaining the Predictions of Any Classifier, arXiv:1602.04938, 2016. Disponível em: https://doi.org/10.48550/arXiv.1602.04938. Acesso em: 13 jun. 2025.
SMITH, J. Rig construction market remains quiet but with room for long-term possibilities. Offshore Magazine, 82(6), 2022.
WRIGHT, M. N., ZIEGLER, A. ranger: A Fast Implementation of Random Forests for High Dimensional Data in C++ and R, Journal of Statistical Software, 77(1), 1–17, 2017.
