MODELANDO O CUSTO DE CONSTRUÇÃO DE UMA SONDA DE PERFURAÇÃO MARÍTIMA ATRAVÉS DE FLORESTA ALEATÓRIA
DOI:
https://doi.org/10.56238/arev7n11-001Palavras-chave:
Random Forest, Sonda de Perfuração Marítima, Direcionadores de Custos, Floresta AleatóriaResumo
As sondas de perfuração marítimas são equipamentos vitais para a exploração e o desenvolvimento de campos de petróleo, consequentemente uma boa estimativa de seus custos de construção é fundamental para o planejamento de projetos de construção de sondas. Este artigo explora o desenvolvimento de um modelo de floresta aleatória (random forest) para prever os custos de construção de sondas de perfuração marítimas. O modelo busca fornecer estimativas precisas e confiáveis dos direcionadores de custos, com base em um conjunto de dados robusto que inclui custos históricos de construção e características de projeto das sondas. A abordagem de aprendizado por combinação de previsões, utilizada no algoritmo de floresta aleatória, permite capturar de forma eficaz relacionamentos e interações complexas nos dados, melhorando a precisão da previsão em comparação com os métodos de regressão tradicionais. Serão detalhadas a construção, a validação e as descobertas significativas do modelo, destacando sua capacidade de minimizar erros de estimativa e de apoiar a tomada de decisões na elaboração do orçamento do projeto. Os objetivos desta pesquisa abrangem a gestão de recursos, o controle de custos e o planejamento estratégico em projetos de construção de sondas.
Downloads
Referências
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.
