Erlon Santos
Modelado multifásico e IA/ML.Erlon Santos es un Ingeniero de Petróleo con doctorado (Ph.D.) especializado en flujo multifásico, aseguramiento de flujo (flow assurance) y aprendizaje automático para la industria del petróleo y gas. Su investigación doctoral en el consorcio TUFFP de la University of Tulsa combina trabajo experimental a alta presión con modelado predictivo para caracterizar el arrastre de líquido (liquid entrainment) en flujos bifásicos gas-líquido en tuberías, un factor clave que influye en la caída de presión y en los riesgos de aseguramiento de flujo en los sistemas de producción.
Su experiencia en IA/ML abarca todo el ciclo de desarrollo de modelos: análisis exploratorio de datos, explicabilidad de datos (incluyendo análisis SHAP), selección rigurosa de variables, modelado predictivo mediante algoritmos tradicionales y regresión simbólica, optimización de hiperparámetros y evaluación de modelos con énfasis en la consistencia física y la robustez de extrapolación. Ha utilizado este enfoque para desarrollar modelos interpretables de forma cerrada que superan el desempeño de los enfoques de caja negra cuando se aplican fuera de su dominio de entrenamiento.
Al combinar un profundo conocimiento de la física del flujo multifásico con metodologías rigurosas y reproducibles de aprendizaje automático, Erlon aporta un conjunto excepcional de competencias híbridas, ideal para funciones relacionadas con el aseguramiento de flujo, la optimización de la producción, la ingeniería computacional y la ciencia de datos aplicada en el sector energético.
Su experiencia en IA/ML abarca todo el ciclo de desarrollo de modelos: análisis exploratorio de datos, explicabilidad de datos (incluyendo análisis SHAP), selección rigurosa de variables, modelado predictivo mediante algoritmos tradicionales y regresión simbólica, optimización de hiperparámetros y evaluación de modelos con énfasis en la consistencia física y la robustez de extrapolación. Ha utilizado este enfoque para desarrollar modelos interpretables de forma cerrada que superan el desempeño de los enfoques de caja negra cuando se aplican fuera de su dominio de entrenamiento.
Al combinar un profundo conocimiento de la física del flujo multifásico con metodologías rigurosas y reproducibles de aprendizaje automático, Erlon aporta un conjunto excepcional de competencias híbridas, ideal para funciones relacionadas con el aseguramiento de flujo, la optimización de la producción, la ingeniería computacional y la ciencia de datos aplicada en el sector energético.