پیشگفتار ۹

فصل اول ۱۳

مقدمه ۱۳

۱- ۱ساختار کلی کتاب ۱۴

۱-۲تحلیل داده در زمینه‌های مختلف ۱۵

۱-۳ تجزیه‌وتحلیل داده ۱۸

۱-۴ موارد جدید در تجزیه‌وتحلیل داده‌ها ۱۹

۱-۵ اهمیت تجزیه‌وتحلیل داده‌ در صنعت نفت ۲۰

۱-۶ چالش‌های پیشرو در تجزیه‌وتحلیل داده ۲۱

فصل دوم ۲۳

روش مدل‌سازی داده‌محور ۲۳

۲-۱ استراتژی مدل‌سازی ۲۴

۲-۲ توسعه مدل ۲۸

۲-۳ فناوری‌های فعال ۲۹

۲-۳ کمی‌سازی و کاهش ریسک ۳۰

فصل سوم ۳۱

تصمیم‌گیری با مدل‌های داده‌محور ۳۱

۳-۱  ارزش آفرینی ۳۳

۳-۲  مدل سازمانی ۳۴

۳-۳  اجرا ۳۵

فصل چهارم ۳۷

کاربردهای مهندسی مخزن ۳۷

۴-۱  فشار سیال - حجم - دما (PVT) ۳۷

۴-۲  تجزیه‌وتحلیل مغزه ۴۲

۴-۴ نظارت و مدیریت مخزن ۵۷

۴-۵ افزایش بازیافت نفت (EOR) و بهبود بازیافت نفت (IOR) ۶۵

۴-۶ شبیه‌سازی مخزن ۷۴

۴-۷ مخازن غیرمتعارف ۹۶

فصل پنجم ۱۰۴

تحلیل داده‌های مخزن با استفاده از الگوریتم‌های یادگیری ماشین ۱۰۴

۵-۱ مروری بر روش‌های پیش‌بینی و طبقه‌بندی مبتنی بر هوش مصنوعی ۱۰۴

۵-۲ چالش در یادگیری ماشین و هوش مصنوعی ۱۱۰

۵-۳ مبانی شبکه‌های عصبی مصنوعی (ANN) ۱۱۶

۵-۴ مثالی از کاربردها با استفاده از "ANN"  و روش‌های ترکیبی ۱۲۱

۵-۵ کاربردهای بیشتر: مدل‌سازی مخزن زمین‌گرمایی مبتنی بر داده (تخمین توزیع تراوایی توسط یادگیری ماشین) ۱۲۸

فصل ششم ۱۵۰

پیاده‌سازی الگوریتم‌های یادگیری ماشین پرکاربرد در مهندسی نفت ۱۵۰

۶-۱ پیاده‌سازی الگوریتم رگرسیون لجستیک ۱۵۰

۶-۲ پیاده‌سازی الگوریتم K-نزدیک‌ترین همسایه (KNN) ۱۵۲

۶-۳ پیاده‌سازی الگوریتم ماشین بردار پشتیبان (SVM) ۱۵۷

۶-۴ پیاده‌سازی الگوریتم شبکه عصبی پرسپترون چندلایه (MLP) ۱۶۱

۶-۵ پیاده‌سازی الگوریتم درخت تصمیم ۱۶۴

فصل هفتم ۱۷۰

روندهای آینده ۱۷۰

۷-۱ داده ۱۷۰

۷-۲ خودکارسازی میدانی ۱۷۱

۷-۳ کاربردها ۱۷۳

۷-۴ چالش‌ها و راهکارها ۱۷۴

منابع ۱۷۸