Herramientas digitales para el petróleo y el gas
Potenciá tu análisis en la industria con herramientas digitales avanzadas. Aprendé a aplicar matemáticas, programación y machine learning en la toma de decisiones y optimización de proceso, implementando Python y Excel para transformar datos en soluciones.
Objetivos del curso
La inteligencia artificial y el machine learning están revolucionando la ingeniería, y el sector de petróleo y gas no es la excepción. Para aprovechar al máximo estas tecnologías, es fundamental dominar dos pilares: programación y matemáticas.
Este curso te brinda una introducción clara y práctica a técnicas clave, combinando fundamentos matemáticos con su implementación en Python y Excel. Al finalizar, contarás con herramientas poderosas para automatizar tareas, optimizar análisis y dar el siguiente paso en modelado matemático avanzado.
¿A quién está dirigido?
Este curso está orientado a los profesionales de la industria que estén interesados en reforzar y aplicar sus conocimientos de programación y matemática en sus tareas diarias.
El curso no requiere de conocimientos previos de programación y matemática, ya que se verán desde cero en el curso
El programa en detalle
Duración
- 8 clases de aprendizaje intensivo, de 9:30 a 12:30 h.
Modalidad
- Online.
Ejes temáticos
- Introducción al ambiente Python (Anaconda) y al ambiente VBA (Excel) – Instalación del software y de librerías específicas para el curso.
- Estructuras básicas de programación: variables, funciones de usuario, lectura-escritura de archivos, condicionales, estructuras de control.
- Repaso de conceptos básicos de Análisis Matemático y Algebra: funciones, derivadas, integrales. Matrices, vectores, normas matriciales y vectoriales. Sistemas de ecuaciones lineales: matrices, vectores, resolución directa. Sistemas de mayor complejidad. Sistemas mal condicionados. Algoritmos: SOR, Jacobi, Gauss Seidel, GMRES.
- Interpolación y ajuste de funciones: interpolación polinómica: formas de Lagrange y Newton. Curvas Splines. Ajuste de funciones por mínimos cuadrados: formulación, implementación.
- Raíces y optimización: Algoritmo de Newton-Raphson, Bisección. Problemas multidimensionales: Newton Raphson y Descenso de gradiente. Utilización de librería Scipy.
- Integración y ecuaciones diferenciales: trapecios, Simpson, cuadratura gaussiana. Ecuaciones diferenciales ordinarias: problemas de valores iniciales (IVP): métodos de Euler, Runge Kutta. Problemas de valor de contorno (BVP): diferencias finitas.
- Introducción a herramientas de machine learning: aprendizaje supervisado: regresión y clasificación. Aprendizaje no supervisado: clustering. Uso de librerías más comunes (Xgboost, Tensorflow, Pytorch). Diseño de modelos de ML.
Sobre los lenguajes de programación
- Python: es el lenguaje de programación general, multipropósito y multiplataforma el cual ha obtenido un crecimiento notable en su aplicación al cálculo científico y machine learning. Actúa bajo licencias de software libre lo cual permite el intercambio académico de manera transparente.
- Excel: orientado principalmente a operaciones que no requieran potencia de cálculo elevadas puede adaptarse a ampliar sus funcionalidades mediante la programación en entorno VBA (Visual Basic for Applications).
Requerimientos
- Conexión a internet.
- Cuenta de Gmail personal
- PC que permita instalación de suite Anaconda
- Instalación de Excel.
INSTRUCTORES
Instructor
Nuestros cursos son dictados por los mismos profesionales que lideran proyectos de investigación y desarrollo en Inlab. Esta estrecha vinculación entre la teoría y la práctica garantiza una formación de alta calidad, totalmente actualizada.
Jefe de laboratorio de ensayos especiales en Inlab
Marcelo Cabrera
Ingeniero Químico (UTN) y Magister en Simulación Numérica (Facultad de Ingeniería, UBA). Desde 2005 forma parte del staff de Inlab, habiendo desarrollado tareas en todas sus áreas técnicas. Desde 2013 es jefe del laboratorio de Ensayos Especiales de Inlab, especializándose en temas de EOR, Integración Petrofísica, daño de formación, termodinámica y mediciones especiales. Es a su vez profesor asociado en el área de Simulación y Métodos numéricos en UTN y profesor adjunto e investigador en la UNDAV.
Otros datos clave
CONTACTO
