Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estimacion PDF
Estimacion PDF
Inteligencia Artificial
Edgar Camargo*, Jos Aguilar**, Addison Ros**, Francklin Rivas***, Joseph Aguilar-
Martin^
*Doctorado en Ciencias Aplicadas, Facultad de Ingeniera, Universidad de los Andes, Mrida, Venezuela
(e-mail: edgarc@ula.ve)
**CEMISID, Facultad de Ingeniera, Universidad de los Andes, Mrida, Venezuela (e-mail:
aguilar@ula.ve, ilich@ula.ve).
*** Laboratorio de Sistemas Inteligentes. Universidad de los Andes, Mrida, Venezuela (e-mail:
rivas@ula.ve).
^ Grup SAC, Universitat Politcnica de Catalunya, Campus de Terrassa, Espaa (e-mail:aguilar@laas.fr).
Ahora bien, la gran mayora de completaciones (tubera de La Estimacin de las presiones de tubera de produccin y
pozo mas arreglo mecnico) tradicionales estn ausentes de de fondo de pozo se realizan en pozos petroleros que
equipos de supervisin de fondo, dando como resultado una producen por levantamiento artificial por gas (Consiste en
cantidad limitada de datos del yacimiento, debido a que el inyectar gas a una presin determinada en la parte inferior
uso de dicha tecnologa es altamente costoso, como de la columna de fluido de la tubera del pozo, a diferentes
tambin su instalacin requerira la paralizacin de los profundidades, con el fin de disminuir el peso de la misma,
pozos activos, ms los costo de mantenimiento y poca vida y de esta forma ayudar a subir los fluidos del yacimiento
til (menor a 5 aos); estas son algunas de las razones por desde el fondo del pozo hasta la superficie). Se realiza en
la cual una gran cantidad de pozos no cuentan con este tipo de mtodo debido a la importancia del gas de
tecnologa de medicin de fondo. levantamiento en la industria petrolera Venezolana.
Por esta razn, en este trabajo se propone estimar la Presin 2.- INTELIGENCIA ARTIFICIAL
de Fondo (PfINF) utilizando tcnicas de Inteligencia
Artificial, ya que han demostrado ser efectivas en procesos 2.1 Modelos euro- Difusos
de automatizacin industrial, donde el manejo del
conocimiento o la toma de decisiones juegan un factor Las redes neuronales artificiales consisten en un sistema
importante [T. Yamakawa, 1992, Eikrem, et al., 2002, que trata de emular el comportamiento de las redes
Takeshi, 2004]. neuronales biolgicas en lo relativo al aprendizaje y la
capacidad de generalizacin. Por otro lado, la lgica difusa
ha extendido la lgica tradicional, para proveer la
capacidad de manejo de informacin imprecisa. Con la
finalidad de aprovechar las bondades de las redes
neuronales artificiales y los modelos lgico - difusos,
surgi una nueva estructura llamada modelos neuro-
difusos, la cual ha demostrado dar buenos resultados en la
captura del comportamiento de sistemas complejos [T.
Yamakawa, 1992, Yamakawa, 1994, Jansen et al., 1999,
Salcedo et al., 2006].
El espacio de cada una de las variables de entrada es Wik (T + 1) = wik (T ) + wik (T ) (1)
dividido en varios segmentos que conformarn los
subconjuntos difusos de cada variable, a los cuales son Ej Ej yj fi (xij)
asignados valores lingsticos. Cada uno de los segmentos wik = = =(yj ydj )ik(xij)
es caracterizado por una funcin de membresa. wik yj fi (xij) wik
(2)
El conjunto de reglas, que conforman la base de La salida de la neurona difusa, y, viene dada por la
conocimiento de cada modelo lgico difuso es siguiente ecuacin:
representado en forma general por: m
y = f 1( x1) + f 2( x2).. + fm( xm) = fi( xi)
i =1
Si la seal de entrada xi est incluida en el segmento
(3)
difuso k, entonces el peso sinptico de salida es wik .
3.- FUNDAMENTOS TERICOS DE POZOS POR
LEVANTAMIENTO ARTIFICIAL POR GAS
En estas reglas el consecuente es un valor constante Wik
Consiste en inyectar gas a una presin determinada en la
con funcin de membresa igual a uno (1) para el valor Wik parte inferior de la columna de fluido de la tubera del pozo,
y cero (0) para cualquier otro valor. a diferentes profundidades, con el fin de disminuir el peso
de la misma, y de esta forma ayudar a subir los fluidos del
La sinapsis de salida de cada modelo lgico difuso yacimiento desde el fondo del pozo hasta la superficie. As,
es obtenida mediante un mecanismo de inferencia con en los pozos explotados por el mtodo de LAG de flujo
difusificacin y desdifusificacin [Yamakawa, 1994], y est continuo, el gas es inyectado continuamente al pozo a fin
dada en forma general como se muestra en la (Fig. 2). de que se mezcle con los fluidos del mismo y se reduzca la
densidad de la columna de fluidos, disminuyndose la
diferencia de presiones entre el fondo del pozo y la
superficie.
f4
THP f4(THP)
ND2
Presin (Psi)
175
165
El Flujo se desplaza sin reductor hacia la Estacin de Flujo,
160
ubicada a 5360,89 ft, y recibe gas del Mltiple de Gas,
ubicado a 508,530 ft del mismo. Las caractersticas 155
Presin (Psi)
Barriles Neto
300 600
(BPND)
200 400
100 200
0
0
0 0,5 1 1,5 1 434 867 1300 1733 2166 2599 3032 3465 3898 4331 4764 5197 5630
THP = 0.10296+0.0356+0.14=0.278
5.3 Resultados Obtenidos para D1 y D2 Fig. 12. Esquema Neuro Difuso para la Estimacin Presin
de Tubera de produccin con un 50%
En la Tabla 4, y las (Figs. 11 y 12) se presentan los
resultados obtenidos para la estimacin de las presiones de Los resultados obtenidos para los dos Modelos Neuro
produccin y de fondo con el sistema neuro difuso. Difusos, dan una buena estimacin de las variables de
fondo y superficie. Los errores promedio de entrenamiento
y de prueba obtenido para la estimacin de la presin de
Tabla 4. Patrones de Entrenamiento
fondo fueron 0,235% y 0,331%. El error promedio de
Entradas Salida Patrones Patrones Error entrenamiento y de prueba obtenido para la tubera de
Entren. Evaluar Cuad. produccin fueron 0,727% y 0,872%, lo cual indican la
efectividad de las redes Neuro Difusa.
GLP, PfINF 3250 3250 0,294%
El valor de es menor a 5 psi en todo el ciclo de
GLDP, (50%) (50%) 0,400%
entrenamiento, lo cual refleja la efectividad de la
CHP, estimacin de superficie. Los Modelos Neuro Difuso se
THP desarrollaron bajo el ambiente de programacin
MATLAB versin 7.
GLP, 1THPI 350 350 0,771%
GLDP, NF (50%) (50%) 1,305%
CHP 6.- CONCLUSIONES