Application of Machine Learning Ensembles to Oil Production Prediction

• Letícia M. B. de Lucena UFERSA
• Isaac Lima Oliveira Filho UERN
• Amanda Gondim de Oliveira UFERSA

DOI: https://doi.org/10.5753/eniac.2026.31477

Resumo

Este trabalho investiga a aplicação de modelos de aprendizado de máquina, tanto individuais quanto em ensemble, para prever a produção diária de petróleo. O problema foi formulado como regressão supervisionada, tendo como alvo o volume diário de petróleo. Foi realizada uma etapa de pré-processamento com foco em evitar vazamento de dados, incluindo a remoção de variáveis altamente correlacionadas e o uso de pipelines. Foram testados cinco modelos individuais e diferentes abordagens de ensemble, como Bagging, Voting e Stacking. O melhor desempenho foi obtido por um comitê heterogêneo com k-NN e Árvore de Decisão em Bagging, alcançando R² de 0, 9897 e MAE de 52, 9 Sm³, evidenciando o ganho de desempenho com a combinação de modelos diversos.

Referências

Calvette, T. (2019). Aplicação de técnicas de machine learning e data driven em poços inteligentes de petróleo. PhD thesis, PUC-Rio.

Daramola, G. O., Jacks, B. S., Ajala, O. A., and Akinoso, A. (2024). Ai applications in reservoir management: Optimizing production and recovery in oil and gas fields. Computer Science IT Research Journal.

Dike, H., Adams, D. E., Mosobalaje, O., Oluwasanmi, O., Olaniyan, D., and Bolu, I. S. (2025). Oil-well production forecasting: A machine learning approach. In SPE Nigeria Annual International Conference and Exhibition.

Ghodsi, M., Vaziri, P., Kanaani, M., and Sedaee, B. (2025). Optimizing oil production forecasts in iranian oil fields: a comprehensive analysis using ensemble learning techniques. Journal of Petroleum Exploration and Production Technology, 15(4):63.

Pop, V. (2018). Petroleum – strategic resource for world economy. Studia Universitatis ”Vasile Goldis” Arad – Economics Series, 28:70 – 85.

Salimovna, S. (2024). The importance of the world oil and gas industry in the economy of countries. American Journal of Economics and Business Management.

Samad, A., Khan, I. M., Rahaman, M. S., Sakib, A., and Islam, M. A. (2025). Datadriven approach to predict future oil production of an oil field using machine learning techniques. SCS Eng, 3:68–73.