Quantum Computing

​

Module 21: Quantum computing and algorithms

  ​

Objective: Quantum computing applies quantum mechanical phenomena. On a small scale, physical matter exhibits properties of both particles and waves, and quantum computing takes advantage of this behavior using specialized hardware. The basic unit of information in quantum computing is the qubit, similar to the bit in traditional digital electronics. Unlike a classical bit, a qubit can exist in a superposition of its two "basic" states, meaning that it is in both states simultaneously.

​

• Future of quantum computing in insurance

• Is it necessary to know quantum mechanics?

• QIS Hardware and Apps

• quantum operations

• Qubit representation

• Measurement

• Overlap

• matrix multiplication

• Qubit operations

• Multiple Quantum Circuits

• Entanglement

• Deutsch Algorithm

• Quantum Fourier transform and search algorithms

• Hybrid quantum-classical algorithms

• Quantum annealing, simulation and optimization of algorithms

• Quantum machine learning algorithms

• Exercise 33: Quantum operations multi-exercises

​

Module 22: Introduction to quantum mechanics

​

• Quantum mechanical theory

• wave function

• Schrodinger's equation

• statistical interpretation

• Probability

• Standardization

• Impulse

• The uncertainty principle

• Mathematical Tools of Quantum Mechanics

• Hilbert space and wave functions

• The linear vector space

• Hilbert's space

• Dimension and bases of a Vector Space

• Integrable square functions: wave functions

• Dirac notation

• operators

• General definitions

• hermitian adjunct

• projection operators

• commutator algebra

• Uncertainty relationship between two operators

• Operator Functions

• Inverse and Unitary Operators

• Eigenvalues and Eigenvectors of an operator

• Infinitesimal and finite unit transformations

• Matrices and Wave Mechanics

• matrix mechanics

• Wave Mechanics

• Exercise 34: Quantum mechanics multi-exercises

​

Module 23: Introduction to quantum error correction

​

• Error correction

• From reversible classical error correction to simple quantum error correction

• The quantum error correction criterion

• The distance of a quantum error correction code

• Content of the quantum error correction criterion and the quantum Hamming bound criterion

• Digitization of quantum noise

• Classic linear codes

• Calderbank, Shor and Steane codes

• Stabilizer Quantum Error Correction Codes

• Exercise 35: Noise Model, Repetition Code and quantum circuit

​

​Module 24: Quantum Computing II

• Quantum programming

• Solution Providers

  • IBM Quantum Qiskit

  • Amazon Braket

  • PennyLane

  • cirq

  • Quantum Development Kit (QDK)

  • Quantum clouds

  • Microsoft Quantum

  • Qiskit

• Main Algorithms

  • Grover's algorithm

  • Deutsch–Jozsa algorithm

  • Fourier transform algorithm

  • Shor's algorithm

• Quantum annealers

• D-Wave implementation

• Qiskit Implementation

• Exercise 36: Quantum Circuits, Grover Algorithm Simulation, Fourier Transform and Shor​

​

Module 25: Quantum Machine Learning

​

• Quantum Machine Learning

• hybrid models

• Quantum Principal Component Analysis

• Q means vs. K means

• Variational Quantum Classifiers

• Variational quantum classifiers

• Quantum Neural Network

  • Quantum Convolutional Neural Network

  • Quantum Long Short Memory LSTM

• Quantum Support Vector Machine (QSVC)

• Exercise 37: Quantum Support Vector Machine​

​Module 26: Tensor Networks for Machine Learning

• What are tensor networks?

• Quantum Entanglement

• Tensor networks in machine learning

• Tensor networks in unsupervised models

• Tensor networks in SVM

• Tensor networks in NN

• NN tensioning

• Application of tensor networks in credit scoring models

• Exercise 38: Neural Network using tensor networks

Modelos de Petroleo y Gas Upstream

​​

Module 27: Geofísica y procesamiento e interpretación de datos sísmicos usando AI y Quantum AI 

​

Una de las tareas más cruciales en la obtención de imágenes de reflexión sísmica es identificar los cuerpos salinos con

con gran precisión. Tradicionalmente, esto se logra mediante la selección visual de los límites entre la sal y el sedimento, lo que requiere una gran cantidad de trabajo manual y puede introducir un sesgo sistemático. Con el reciente progreso de los algoritmos de aprendizaje profundo y la creciente potencia computacional, se han realizado grandes esfuerzos para sustituir el esfuerzo humano por la potencia de la máquina en la interpretación de los cuerpos salinos.

 las redes neuronales convolucionales (CNN) está revolucionando el campo de la visión por ordenador y la clasificación basada en CNN se demuestra utilizando una estructura de red U-Net de última generación, junto con el marco de aprendizaje residual ResNet, para delinear el cuerpo de sal con alta precisión.

​

• Experimento de reflexión sísmica

• Problema inverso: creación de imágenes y modelos de velocidad

• Ecuación de la onda acústica

• El proceso de estimación de la velocidad, y la formación de imágenes de dispersores en el subsuelo

• Interpretación salina con aprendizaje automático

• U-Net para la segmentación semántica

• Función de pérdida para U-Net

• K-Fold estratificado

• Resultados de la interpretación

• Clasificación de imagenes en Real Estate

  • Problem Statement

  • Deep Learning Problem Formulation

  • Project and Data Source

  • Image Dataset

  • Evaluation Metric

  • Exploratory Data Analysis

  • Image Preprocessing

  • Model Training

  • Productionizing

• Image Classification: Data-driven Approach

• Convolutional Neural Networks

• Data and the Loss preprocessing,

• Hyperparameters

• Train/val/test splits

• L1/L2 distances

• Hyperparameter search

  • Optimization: Stochastic Gradient Descent

  • Optimization landscapes

  • Black Box Landscapes

  • Local search

  • Learning rate

• Weight initialization,

• Batch normalization

• Regularization (L2/dropout)

• Loss functions

• Gradient checks

• Sanity checks

• Hyperparameter optimization

•  Architectures

  • Convolution / Pooling Layers

  • Spatial arrangement,

  • Layer patterns,

  • Layer sizing patterns,

  • AlexNet/ZFNet/Densenet/VGGNet/U-Net/Resnet

• Convolutional Neural Networks tSNE embeddings

• Deconvnets

• Data gradients

• Fooling ConvNets  

• Human comparisons Transfer Learning and

• Fine-tuning Convolutional Neural Networks

• Performance Metrics

  • Accuracy

  • F1-Score

  • AUC-ROC

  • Cohen Kappa Coefficient

• Exercise 29: Arquitectura basada en CNN profunda para la interpretación automática de cuerpos salinos de datos sísmicos

​​

Module 28: Ingenieria de produccion usando Machile Learning

​

La ingeniería de producción abarca diversas actividades, como medir, analizar, modelar, priorizar y ejecutar acciones para mejorar la productividad y la rentabilidad. Los ingenieros de producción consideran en general múltiples opciones para mejorar las condiciones del sistema de producción desde el punto de vista técnico, económico y medioambiental. Con la introducción del ML en la industria del petróleo y el gas, se han publicado numerosas aplicaciones para ayudar en la investigación de la identificación del estado del flujo, la medición del rendimiento y la identificación de problemas y limitaciones de la capacidad de producción. 

​

• Ingeniería de producción

• Predicción de la tasa potencial del pozo 

• Aumento del conocimiento del pozo con sensores virtuales 

• Medición virtual de tasas 

• Predicción de tasas de pozos a partir de mediciones indirectas  

• Predicción de tasas de pozo para pozos de gas-lift  

• Predicción de fallos en pozos 

• Ingeniería de características de datos

• Análisis de causa raíz (ACR) 

• Acciones para mejorar el rendimiento  

• Predicción del mal rendimiento de los pozos

• Gestión del corte de agua en función de la velocidad  

• Predicción de la tasa crítica de petróleo 

• Espaciamiento óptimo de pozos en yacimientos naturalmente fracturados NFRs

• Predicción del radio umbral del yacimiento

• Ejercicio 40: Modelo de Tasa Crítica de Petróleo usando regresión lineal, random forest regression y redes neuronales cuánticas 

• Ejercicio 41: Modelo de redes neuronales  clásica y redes neuronales cuánticas de Tasa y Presión de Pozo

• Ejercicio 42: Agrupación de fallas de pozos usando K-Means 

• Ejercicio 43: Modelo de Tasa de Pozo del random forest y Gradient Boosting Machines

AI y computación cuántica para Ingenieria de Yacimientos

​

Module 29: Aprendizaje automático en ingeniería de yacimientos

​

La ingeniería de yacimientos es un campo interdisciplinar que integra la mecánica, la geología, la física, las matemáticas y la informática como herramientas de investigación para recuperar económicamente los recursos de hidrocarburos en formaciones subterráneas. 

Con la mejora de la arquitectura informática, el ML también puede extraer de forma eficiente información no derivada de la explosión de datos del mundo real recopilados en aplicaciones de la industria petrolera. Como potente técnica basada en datos, el ML está siendo ampliamente aceptado para ayudar y mejorar nuestra comprensión de las áreas de perforación, producción y yacimientos. En particular, el ML ha sido ampliamente utilizado en la ingeniería de yacimientos y ha logrado excelentes resultados, como la predicción de la permeabilidad, la porosidad y la tortuosidad, la predicción de la producción de gas de esquisto, la caracterización de yacimientos, la reconstrucción de núcleos digitales en 3D, la interpretación de pruebas de pozos, la optimización rápida de la producción de gas de esquisto, el procesamiento de registros de pozos y la correspondencia histórica.

​​

• XGBoost para la previsión de la producción acumulada

• Random Forest para la identificación de patrones de invasión de agua; estimación de propiedades

• SVM para predicción de tasas de petróleo en superficie; estimación de permeabilidad

• Gaussian Regression Process para la producción temprana de petróleo y gas

• ARIMA para dinámica de producción

• LSTM para dinámica de producción; identificación de modelos de yacimiento

• CNN para interpretación de pruebas de pozos y dinámica de la producción

• Exercise 44: Previsión de las futuras tasas de producción de un pozo de petróleo usando Decline Curve Analysis

• Exercise 45: Previsión de futuras tasas de producción de un pozo de petróleo usando ARIMA

• Exercise 46: Dinámica de producción de un pozo de petróleo usando LSTM 

• Exercise 47: Dinámica de producción de un pozo de petróleo usando Bayesian LSTM 

​

Module 30: Modelos  Avanzados de Forecasting de la Producción de Petróleo con Datos Multivariantes

​​

La previsión precisa de la producción de los pozos es crucial para que los ingenieros petroleros identifiquen descensos rápidos en la producción de petróleo y seleccionen los mecanismos de recuperación adecuados. También ayuda a estimar la recuperación final y la vida útil del pozo, lo que conduce a un desarrollo sostenible y a equilibrar las entradas y salidas económicas. Sin embargo, predecir la producción de petróleo con precisión puede ser un reto debido a la complejidad de las condiciones del subsuelo. Las propiedades heterogéneas de la formación, el flujo de fluidos multifásicos, las condiciones inciertas del subsuelo y las frecuentes operaciones in situ pueden afectar significativamente a la producción, lo que hace que los modelos de forecasting sean más complejos. Por lo anterior se presentan modelos avanzados de forecasting.

​

• El modelo de previsión de la producción de petróleo

• Análisis de datos multivariantes

•  importación de los datos brutos

•  previsión del volumen de petróleo

• la evaluación del rendimiento predictivo del modelo

• comparación con los modelos de referencia.

• Modelos Avanzados

• TCN-Temporal Convolutional Networks

• LSTM-Long Short Term Memory

• RNN-Recurrent Neural Network

• GRU-Gated recurrent units 

• QLSTM-Quantum Long Short Memory

• Modelo Avanzado con algoritmo genéticos 

• Exercise 48: LSTM-Long Short Term Memory de forecasting de producción de petroleo 

• Exercise 49: GRU-Gated recurrent units de forecasting de producción de petroleo 

• Exercise 50: Quantum Long Short Term Memory de forecasting de producción de petroleo 

• Exercise 51: TCN-Temporal Convolutional Networks de forecasting de producción de petroleo 

• Exercise 52: Modelo de algoritmos genéticos de forecasting de producción de petroleo 

​​

Probabilistic Machine Learning for Oil and Gas

​

Module 31: Geomodelización usado Regresión de procesos gaussianos

​

La geomodelización es un paso importante en el proceso de exploración y planificación de la producción. El geomodelado se lleva a cabo tras comprender el marco estructural del yacimiento a partir de la información extraída durante la interpretación sísmica. El aprendizaje automático puede ayudarnos a estimar los valores de las propiedades petrofísicas en una malla tridimensional. Los variogramas son la base de casi todas las técnicas de modelización espacial 3D de relevancia industrial. 

​

• Variograma 

• Descripción de datos 

• Análisis básico de datos de registros de pozos

• Regresión de procesos gaussianos

• Formulación  

•  Núcleo de función de base radial (RBF)

• Exercise 53: Geomodelización usando la regresión de procesos gaussianos

​

​

​