Erlon Sanbtos
Modelagem de fluxo multifásico e IA/ML.Erlon Santos é Engenheiro de Petróleo com doutorado (Ph.D.), especializado em escoamento multifásico, garantia de escoamento (flow assurance) e aprendizado de máquina para a indústria de petróleo e gás. Sua pesquisa de doutorado no consórcio TUFFP da University of Tulsa combina trabalho experimental em alta pressão com modelagem preditiva para caracterizar o arraste de líquido (liquid entrainment) em escoamentos bifásicos gás-líquido em tubulações, um fator-chave que influencia a perda de carga e os riscos de garantia de escoamento em sistemas de produção.
Sua experiência em IA/ML abrange todo o ciclo de desenvolvimento de modelos: análise exploratória de dados, interpretabilidade de dados (incluindo análise SHAP), seleção rigorosa de variáveis, modelagem preditiva por meio de algoritmos tradicionais e regressão simbólica, otimização de hiperparâmetros e avaliação de modelos com ênfase na consistência física e na robustez da extrapolação. Ele tem utilizado essa abordagem para desenvolver modelos interpretáveis em forma fechada que superam o desempenho de abordagens de caixa-preta quando aplicadas fora de seu domínio de treinamento.
Ao combinar profundo conhecimento da física do escoamento multifásico com metodologias rigorosas e reprodutíveis de aprendizado de máquina, Erlon oferece um conjunto excepcional de competências híbridas, ideal para funções relacionadas à garantia de escoamento, otimização da produção, engenharia computacional e ciência de dados aplicada ao setor de energia.
Sua experiência em IA/ML abrange todo o ciclo de desenvolvimento de modelos: análise exploratória de dados, interpretabilidade de dados (incluindo análise SHAP), seleção rigorosa de variáveis, modelagem preditiva por meio de algoritmos tradicionais e regressão simbólica, otimização de hiperparâmetros e avaliação de modelos com ênfase na consistência física e na robustez da extrapolação. Ele tem utilizado essa abordagem para desenvolver modelos interpretáveis em forma fechada que superam o desempenho de abordagens de caixa-preta quando aplicadas fora de seu domínio de treinamento.
Ao combinar profundo conhecimento da física do escoamento multifásico com metodologias rigorosas e reprodutíveis de aprendizado de máquina, Erlon oferece um conjunto excepcional de competências híbridas, ideal para funções relacionadas à garantia de escoamento, otimização da produção, engenharia computacional e ciência de dados aplicada ao setor de energia.