
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade Estadual de Campinas (UNICAMP) | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.creator | Castro, Manuel | - |
| Autor(es): dc.creator | Mendes Júnior, Pedro Ribeiro | - |
| Autor(es): dc.creator | Soriano-Vargas, Aurea | - |
| Autor(es): dc.creator | de Oliveira Werneck, Rafael | - |
| Autor(es): dc.creator | Moreira Gonçalves, Maiara | - |
| Autor(es): dc.creator | Lusquino Filho, Leopoldo | - |
| Autor(es): dc.creator | Moura, Renato | - |
| Autor(es): dc.creator | Zampieri, Marcelo | - |
| Autor(es): dc.creator | Linares, Oscar | - |
| Autor(es): dc.creator | Ferreira, Vitor | - |
| Autor(es): dc.creator | Ferreira, Alexandre | - |
| Autor(es): dc.creator | Davólio, Alessandra | - |
| Autor(es): dc.creator | Schiozer, Denis | - |
| Autor(es): dc.creator | Rocha, Anderson | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T18:47:23Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T18:47:23Z | - |
| Data de envio: dc.date.issued | 2025-04-29 | - |
| Data de envio: dc.date.issued | 2023-11-30 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1038/s41598-023-37929-w | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/308303 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/308303 | - |
| Descrição: dc.description | Inferring causal relationships from observational data is a key challenge in understanding the interpretability of Machine Learning models. Given the ever-increasing amount of observational data available in many areas, Machine Learning algorithms used for forecasting have become more complex, leading to a less understandable path of how a decision is made by the model. To address this issue, we propose leveraging ensemble models, e.g., Random Forest, to assess which input features the trained model prioritizes when making a forecast and, in this way, establish causal relationships between the variables. The advantage of these algorithms lies in their ability to provide feature importance, which allows us to build the causal network. We present our methodology to estimate causality in time series from oil field production. As it is difficult to extract causal relations from a real field, we also included a synthetic oil production dataset and a weather dataset, which is also synthetic, to provide the ground truth. We aim to perform causal discovery, i.e., establish the existing connections between the variables in each dataset. Through an iterative process of improving the forecasting of a target’s value, we evaluate whether the forecasting improves by adding information from a new potential driver; if so, we state that the driver causally affects the target. On the oil field-related datasets, our causal analysis results agree with the interwell connections already confirmed by tracer information; whenever the tracer data are available, we used it as our ground truth. This consistency between both estimated and confirmed connections provides us the confidence about the effectiveness of our proposed methodology. To our knowledge, this is the first time causal analysis using solely production data is employed to discover interwell connections in an oil field dataset. | - |
| Descrição: dc.description | Shell Brasil | - |
| Descrição: dc.description | Artificial Intelligence Lab. Recod.ai Institute of Computing University of Campinas (Unicamp), SP | - |
| Descrição: dc.description | Center for Petroleum Engineering (CEPETRO) University of Campinas (Unicamp), SP | - |
| Descrição: dc.description | School of Mechanical Engineering (FEM) University of Campinas (Unicamp), SP | - |
| Descrição: dc.description | Group of Automation and Integrated Systems São Paulo State University (Unesp), SP | - |
| Descrição: dc.description | Group of Automation and Integrated Systems São Paulo State University (Unesp), SP | - |
| Descrição: dc.description | Shell Brasil: 21373-6 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Scientific Reports | - |
| ???dc.source???: dc.source | Scopus | - |
| Título: dc.title | Time series causal relationships discovery through feature importance and ensemble models | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: