Sistema inteligente para la operación y el

diseño continuos de la elevación de gas con

suministro de gas ilimitado
E. Khamehchi , F. Rashidi , H. Omranpour , S. Shiry Ghidary , A.
Ebrahimian y H. Rasouli

Resumen
El levantamiento de gas es uno de una serie de procesos utilizados para
elevar artificialmente el petróleo o el agua de los pozos donde no hay
suficiente presión en el reservorio para producir el pozo. El proceso consiste
en inyectar gas a través del anillo de la tubería. El gas inyectado airea el
fluido para reducir su densidad; la presión de formación puede entonces
levantar la columna de petróleo y expulsar el fluido del pozo. El gas se
puede inyectar de forma continua o intermitente, según las características de
producción del pozo y la disposición del equipo de elevación de gas. Para
mejorar los ingresos financieros, esta operación siempre ha sido un tema de
optimización para alcanzar el diseño más gratificante antes de su
establecimiento operativo. Los enfoques evolutivos se han aplicado
recientemente con éxito a casi todos los aspectos de los problemas de
ingeniería. Este estudio revisa los hechos e ideas generales relacionados con
el levantamiento de gas y su optimización y se enfoca más en la aplicación y
evaluación de la programación genética para tal fin. Se ha llegado a la
conclusión de que la programación genética es totalmente capaz de ayudar a
optimizar las optimizaciones de la elevación de gas, mientras que también es
estable y aplicable a una gama muy amplia de condiciones operativas. Los
méritos y retrocesos finalmente se comparan con el enfoque de redes
neuronales. Este estudio revisa los hechos e ideas generales relacionados
con el levantamiento de gas y su optimización y se enfoca más en la
aplicación y evaluación de la programación genética para tal fin. Se ha
llegado a la conclusión de que la programación genética es totalmente capaz
de ayudar a optimizar las optimizaciones de la elevación de gas, mientras
que también es estable y aplicable a una gama muy amplia de condiciones
operativas. Los méritos y retrocesos finalmente se comparan con el enfoque
de redes neuronales. Este estudio revisa los hechos e ideas generales
relacionados con el levantamiento de gas y su optimización y se enfoca más
en la aplicación y evaluación de la programación genética para tal fin. Se ha
llegado a la conclusión de que la programación genética es totalmente capaz
de ayudar a optimizar las optimizaciones de la elevación de gas, mientras
que también es estable y aplicable a una gama muy amplia de condiciones
operativas. Los méritos y retrocesos finalmente se comparan con el enfoque
de redes neuronales.

Cómo citar este artículo:

E. Khamehchi, F. Rashidi, H. Omranpour, S. Shiry Ghidary, A. Ebrahimian y H.

Rasouli, 2009. Sistema inteligente para la operación y el diseño continuos de la
elevación de gas con suministro de gas ilimitado. Revista de Ciencias Aplicadas, 9:
1889-1897.

DOI: 10.3923 / jas.2009.1889.1897

URL: https://scialert.net/abstract/?doi=jas.2009.1889.1897

INTRODUCCIÓN
El levantamiento artificial se utiliza en la producción de petróleo cuando la
energía del reservorio no es suficiente para sostener el flujo de petróleo en el
pozo hasta la superficie con un retorno económico satisfactorio. La
selección del método de levantamiento artificial adecuado es fundamental
para la rentabilidad a largo plazo de un pozo petrolero; una mala elección
conducirá a una baja producción y altos costos operativos. Existe un margen
de error muy pequeño cuando uno está diseñando sistemas de elevación para
campos petroleros. Existe una gran necesidad de contar con una fiabilidad.
En Clegg et al ., 1993). Las bombas de varilla, las bombas eléctricas
sumergibles y los sistemas de elevación por gas son los sistemas de
elevación artificial más comunes, pero también se utilizan las bombas de
elevación de émbolo, hidráulicas y de cavidad progresiva. El levantamiento
de gas es un método ampliamente utilizado entre los métodos de
levantamiento artificial, en los cuales el gas se inyecta en el pozo de
producción que proporciona energía al flujo. Una de las formas más típicas
de elevación artificial en la producción de petróleo es que la elevación de
gas continua es rentable, fácil de implementar, muy efectiva en una amplia
gama de condiciones de operación y requiere menos mantenimiento en
comparación con otras alternativas. Es habitual cuando abundan los recursos
de gas natural ( Taheri y Hooshmandkoochi, 2006 ). El principio básico
consiste en disminuir el gradiente de presión en el líquido a través del gas
inyectado (Fig. 1 ). La mezcla resultante se vuelve menos pesada que el
aceite original, de modo que finalmente comienza a fluir ( Pafalox-Hern,
2005 ) y ( Poblan, 2002 ) puede ser nombrada para una mayor comprensión
de los mecanismos ( Fig. 2 ) ( http: // www. weatherford.com ). En las
operaciones de elevación de gas, dos problemas son los más importantes. El
primero es encontrar la posición óptima para el punto de inyección y el otro
es estimar la tasa de inyección de gas óptima ( Santos et al ., 2001). Estos
parámetros están interrelacionados, cuanto más alta sea la tasa de inyección
de gas, más profundo será el punto de inyección óptimo. En otras palabras,
cuanto más profunda sea la ubicación de la inyección, más volúmenes de gas
serían necesarios para la producción máxima. En el presente estudio, se
utilizaron los datos de 40 pozos que están bajo operación de elevación por
gas. Estos pozos fueron seleccionados de uno de los enormes reservorios de
petróleo en el suroeste de Irán.
Este reservorio tiene más de 150 pozos de los cuales una parte está
produciendo bajo un sistema de elevación de gas. Para cada uno de estos
pozos, se recopiló el siguiente conjunto de datos para su uso posterior en el
estudio: Presión estática del orificio inferior (BHSP), Presión de flujo de la
cabeza del pozo (WHFP), Presión de flujo del orificio de fondo (BHFP),
Índice de productividad (PI), Pozo - Tamaño de la perforación, tamaño de la
tubería, porcentaje de corte de agua (WC%), tasa de producción de petróleo
(QOil), tasa de inyección de gas (QGasInj) y profundidad de inyección.
 Figura 1: Esquema de un pozo de gas.

Figura 2: Vista ampliada de una válvula de inyección de gas típica

El rango de los datos se da en la Tabla 1 . Las dos últimas variables se
consideran datos de salida y las otras como datos de entrada.

Tabla 1: Rango de datos de entrenamiento

Aunque la relación de gasóleo (GOR) también es un parámetro de juego de

rol, pero dado que el reservorio considerado es uno de baja saturación y de
comunicación espacialmente bien, entonces, el GOR es el mismo para todos
los pozos y, por lo tanto, no se toma como una variable aquí.
Los dos factores cruciales del diseño mencionados anteriormente se suelen
calcular de manera convencional mediante el uso de paquetes de simulación
de flujo multifase disponibles en el mercado y, posteriormente, se
implementan en un plan a escala de campo. Los algoritmos evolutivos han
demostrado ser útiles e interesantes para fines de ingeniería petrolera. Para
problemas de asignación de gas en casos donde hay una fuente limitada de
gas, estos algoritmos han mostrado resultados prometedores ( Ray y Sarker,
2008 ). En el presente estudio, el enfoque de programación genética se ha
aplicado a la optimización de la elevación de gas, a través de la predicci ón
de los dos parámetros más importantes del diseño como se describe
anteriormente.
Cabe mencionar que, debido a la escala industrial de los eventos, las
disponibilidades de los datos suelen estar estranguladas por limitaciones de
confidencialidad.
OPTIMIZACIÓN DE LEVANTAMIENTO DE GAS PARA POZOS
INDIVIDUALES
El levantamiento de gas es un medio costoso, pero indispensable para
recuperar petróleo de depósitos de alta profundidad que implica resolver el
problema de optimización de levantamiento de gas (GOP) a menudo en
respuesta a las variaciones en la dinámica del reservorio y las oscilaciones
económicas ( Camponogara, 2005 ).
A medida que las velocidades superficiales relativas de petróleo y gas en
una tubería varían, el régimen de flujo en la tubería cambia según algunos
mapas empíricos de patrón de flujo vertical. Por ejemplo, Duns y Ros
(1963) y Kaya et al . (1999) , usualmente trata de evitar ingresar al área del
régimen de babosas. Si toma un pozo bajo el control de presión del cabezal
de la tubería y aumenta gradualmente el suministro de gas de elevación a la
misma, la tasa de producción aumenta en primer lugar debido a la densidad
reducida de la mezcla en la tubería. Pero a medida que aumenta el
suministro de gas de elevación, las pérdidas por presión de fricción en el
tubo se vuelven más importantes y la tasa de producción comienza a
disminuir ( Fig. 3). Para un pozo individual sin más limitaciones que el
límite de presión de la cabeza de la tubería, con un suministro ilimitado de
gas de elevación, la tasa óptima de inyección de gas de elevación es el valor
en el pico (punto A).

Punto económico y punto óptimo en la curva de rendimiento del levantamiento de gas

Fig. 3: (Descripción técnica de Eclipse v2004A)

En realidad, sin embargo, el gas de elevación nunca es gratis. Los costos de

compresión se pueden expresar como un costo por unidad de la inyección de
gas de elevación (por ejemplo, dólares / día por MMscf / día). Esto debe
compararse con el valor de la cantidad extra de petróleo producido. Por lo
tanto, existe un gradiente económico mínimo de la tasa de producción de
petróleo en comparación con la tasa de inyección de gas de elevación, en la
cual el valor de la cantidad extra de petróleo producida por un p equeño
aumento en la tasa de inyección de gas de elevación es igual al costo de
suministrar la cantidad extra de elevación gas. La tasa óptima de inyección
de gas de elevación es entonces algo más baja que el valor pico, en el punto
de la curva donde su gradiente es igual al gradiente económico mínimo
(punto B).
En realidad, sin embargo, el gas de elevación nunca es gratis. Los costos de
compresión se pueden expresar como un costo por unidad de la inyección de
gas de elevación (por ejemplo, dólares / día por MMscf / día). Esto debe
compararse con el valor de la cantidad extra de petróleo producido. Por lo
tanto, existe un gradiente económico mínimo de la tasa de producción de
petróleo en comparación con la tasa de inyección de gas de elevación, en la
cual el valor de la cantidad extra de petróleo producida por un pequeño
aumento en la tasa de inyección de gas de elevación es igual al costo de
suministrar la cantidad extra de elevación gas. La tasa óptima de inyección
de gas de elevación es entonces algo más baja que el valor pico, en el punto
de la curva donde su gradiente es igual al gradiente económico mínimo
(punto B). Sin embargo,
Teniendo parámetros influyentes disponibles cuantitativamente desde un
campo real, optimizamos la posición de inyección y la tasa de inyección de
gas en los pozos individuales utilizando el software Wellflo. Los resultados
obtenidos coincidieron con los diseños del mundo real ya implementados en
el campo. De esta manera, nos aseguraron de tener nuestros datos de campo
disponibles como un conjunto confiable de criterios óptimos de
referencia. Luego intentamos adoptar las mejores estructuras genéticas, sus
resultados de salida se compararon con los resultados de los datos de campo
disponibles y los resultados de Wellflo. Esto se hizo mediante el uso de los
datos de 36 pozos para el paso de capacitación y la prueba de las redes con
los restantes 4 pozos restantes.
Metodología convencional: análisis nodal: el enfoque de análisis de
sistemas, a menudo denominado análisis NODAL, se ha aplicado durante
muchos años a los sistemas compuestos por componentes que
interactúan. Su aplicación a sistemas de producción de pozos fue propuesta
por primera vez por Gilbert en 1954 y fue discutida por Nind en 1964 y
Brown en 1978 ( Mach et al ., 1979 ). El análisis NODAL requiere primero
seleccionar un nodo y calcular la presión del nodo, comenzando con la
presión fija o constante existente en el sistema. Estas presiones fijas son
generalmente la presión media del reservorio (PR) como la presión de
entrada y la presión del cabezal de pozo (Pwh) o la presión del separador
(Psep) como la presión de salida. El nodo puede seleccionarse en cualquier
punto del sistema ( Fig. 1 ).
Los componentes comienzan con la presión estática del yacimiento,
terminando con el separador e incluyendo el rendimiento de entrada, así
como también el flujo a través de la terminación, hasta la tubería
(incluyendo cualquier restricción de orificios de bajada y válvulas de
seguridad), a través del estrangulador de superficie (si corresponde), a través
de Se analizan las líneas de flujo horizontal y las instalaciones de separación
( Brown, 1985 ). Las expresiones para el flujo en el nodo y para el flujo
fuera del nodo se pueden expresar como:

(1)

Los dos criterios que deben cumplirse son: 1- El flujo en el nodo es igual al
flujo que sale del nodo y 2-Solo puede existir una presión en el nodo para un
flujo dado. El rendimiento de un pozo de elevación de gas también se puede
tratar de manera similar a un pozo que fluye, con la única diferencia de que
la cadena de tubería se divide en dos secciones con el punto de división
colocado a la profundidad de la inyección de gas. La sección debajo del
punto de inyección de gas contiene el gas producido solo a partir de la
formación, mientras que el que está por encima del punto de inyección
contiene también el volumen de gas inyectado.
Herramientas de simulación: WellFlo:El software WellFlo es una
aplicación potente e independiente para diseñar, modelar, optimizar y
resolver problemas de pozos de petróleo y gas individuales, ya sea de forma
natural o artificial. Con este software, el ingeniero construye modelos de
pozo, utilizando una interfaz de configuración de pozo paso a paso
guiada. Estos modelos precisos y rigurosos muestran el comportamiento del
flujo de entrada del yacimiento, la tubería de pozo y el flujo de la tubería de
superficie, para cualquier fluido del depósito. El uso del software WellFlo
da como resultado un gasto de capital más efectivo al mejorar el diseño de
los pozos y las terminaciones, reduce el gasto operativo al encontrar y curar
problemas de producción y mejora los ingresos al mejorar el desempeño del
pozo. El paquete de software WellFlo es una herramienta de pozo único que
utiliza técnicas de análisis nodal para modelar el flujo de entrada y el
rendimiento del pozo. Al utilizar las capacidades especializadas del
programa para la elevación de gas, los ingenieros pueden diseñar y modelar
instalaciones de elevación de gas y determinar el número y la posición de las
válvulas de elevación de gas, así como la tasa de inyección óptima, teniendo
en cuenta la presión de inyección disponible. Este programa le permitirá
incorporar la tasa de inyección de gas o los términos de la relación gas -
líquido según lo prefiera ( así como la tasa de inyección óptima teniendo en
cuenta la presión de inyección disponible. Este programa le permitirá
incorporar la tasa de inyección de gas o los términos de la relación gas -
líquido según lo prefiera ( así como la tasa de inyección óptima teniendo en
cuenta la presión de inyección disponible. Este programa le permitirá
incorporar la tasa de inyección de gas o los términos de la relación gas -
líquido según lo prefiera (http://www.ep-solutions.com ).
Programacion genetica
Uno de los temas candentes en informática es encontrar maneras de hacer
que una computadora haga un trabajo específico sin describir cómo hacer
ese trabajo. La programación genética ha demostrado ser una aproximación
a este problema. La programación genética se introdujo a principios de la
década de 1990 y gradualmente fue desarrollada principalmente por su
innovador John Koza ( Andries y Engelbrecht, 2007 ). Este método produce
un programa para un problema de alto nivel. La programación genética
desarrolla una población de programas de computadora que se modelan
como gráficos y se desarrollan en base a la teoría de la evolución de Darwin
( algoritmo genético). El desarrollo de esta población se deriva de las
operaciones de selección y reproducción de los sistemas biológicos. Estas
operaciones incluyen la mutación y los fenómenos cruzados combinados con
los procedimientos de selección de padres y sobrevivientes. Como modelos
de programación genética, como gráficos y árboles, se puede utilizar para
fines de estimación de funciones ( Koza, 1992 ).
Los primeros pasos para la programación genética son los siguientes:
 Determinamos un conjunto de terminales. Para convertir una función en las formas cromosómicas
necesarias para el algoritmo genético que es un árbol, necesitamos determinar los elementos de la
hoja. Estos elementos también se denominan 'Terminales'. Los terminales pueden ser variables
independientes del problema, funciones sin parámetros de entrada o constantes que se generan
• estocásticamente.

• Un conjunto de funciones primarias basadas en las cuales se debe construir el árbol.

Criterios de aptitud física, con el fin de evaluar y reconocer los mejores árboles producidos por
• algoritmo genético.

Parámetros que son necesarios para controlar la ejecución del algoritmo genético. Por ejemplo, la
• forma de selección de los padres y las generaciones, la tasa de mutación y la tasa de cruce.

• Condicion de paro.

• El diagrama de flujo desplegado para este estudio se muestra en la Fig. 4 .

Dos cuestiones deben tenerse en cuenta; En primer lugar se debe cumplir la

condición de cierre. Esto significa que cada función que toma un valor debe
poder administrar todos los resultados de salida. Un ejemplo típico es evitar
dividir por cero.
En segundo lugar, el problema que debemos programar debe ser soluble
mediante una combinación de terminales y funciones que consideremos.
 Fig. 4: Diagrama de flujo de programación genética

Por ejemplo, si queremos escribir un programa que calcule el logaritmo de

un número, entonces, si nos limitamos con operadores algebraicos y
terminales cardinales, incluso en las mejores situaciones, no somos capaces
de calcular el logaritmo con una aproximación aceptable ( Reily et al .,
2005 ).
Representación: En este estado construimos un árbol binario para cada
función ( Fig. 5 ).
Los nodos internos se construyen mediante el siguiente conjunto, {*, -, +, /,
^, Sin, Cos, Exp, tgh} y las hojas se construyen utilizando el siguiente
conjunto, {Números reales + Propiedades}.
Para cualquier vector de conjunto de datos como x, el árbol i estima su
salida de acuerdo con sus nodos internos. Entonces, es obvio que tendríamos
tantos árboles como el número de funciones; esto significa que cualquier
cromosoma está compuesto de varios árboles ( Fig. 6 ) que son dos para este
caso específico.

Fig. 5: Un árbol de cromosoma.

Pero si cada árbol evoluciona en una población separada, alcanzaríamos

mejores resultados individuales y se observó que si los elementos pobres de
una población se transfieren a otra, esto puede producir un mejor desempeño
mutuo.

Fig. 6: Un cromosoma típico en la programación genética.

Fig. 7: Cómo generar árboles densos.

 Fig. 8: Cómo generar árboles no homogéneos.

Basándonos en un procedimiento como el de la Fig. 4 , buscamos árboles y

cromosomas optimizados que sean capaces de realizar predicciones
aceptables y buenas.
Inicialización: se debe tener en cuenta que la profundidad de los árboles
recién nacidos debe ser controlada. Hay dos estrategias para hacerlo, el
primer método es que todos los árboles iniciales tengan la misma
profundidad y sean densos. La figura 7 muestra cómo se generan tales
árboles. El segundo método es generar árboles sin ninguna limitación que no
sea el control de profundidad máxima. Un ejemplo de tal procedimiento se
da en la Fig. 8 .
Adoptamos y sugerimos una combinación de los dos anteriores para
garantizar suficiente versatilidad.
Función de aptitud: se adopta una función de aptitud para los propósitos de
evaluación. Para este caso se usa el cuadrado mínimo ( Ec. 2 ).

(2)
 Fig. 9: Cruzar

Selección: Para seleccionar entre la población generada, generalmente se

adopta un método de torneo. Esto ha demostrado mejores rendimientos que
la rueda Rolet y los métodos SUS. Esto se ejecuta simplemente mediante la
selección estocástica de los elementos iniciales de Q y un elemento final
entre ellos basado en la mejor condición física. Este procedimiento se repite
varias veces para alcanzar un número suficiente de selecciones. Este método
garantiza una búsqueda global debido a su diversidad en el número de
selecciones de selección. Este método garantiza una búsqueda global debido
a su diversidad en la selección ( Miller y Goldberg, 1995 ).
Cross over: Cross over es una operación que se realiza en varios
cromosomas y produce una nueva generación. Cada niño toma una
combinación de características de ambos padres. Esto se simula en la
programación mediante la sustitución de elementos seleccionados
estocásticamente (subárboles o terminales) tomados de los árboles padres
( Fig. 9 ).
Mutación: la mutación es una evolución fundamental que causa nuevas
criaturas en un nuevo espacio de búsqueda. Cualquier función o terminal en
el árbol puede ser reemplazada por cualquier otra función o terminal
arbitraria. Los cambios de mutación son de cuatro tipos:

• Eliminación de un subárbol ( Fig. 10 )

• Añadiendo un subárbol ( Fig. 11 )

• Cambio de la función de un nodo interno ( Fig. 12 )

• Cambio del valor o característica de una hoja ( fig. 13 )

El cuarto tipo de mutación puede ayudar mucho hacia una mejor condición
física.

Fig. 10: Primer tipo de mutación

Fig. 11: Segunda mutación tipo

Fig. 12: Mutación del tercer tipo

Aquí intentamos cambiar los terminales constantes por un número ε positivo
y negativo estocástico. Este número es mayor en las primeras generaciones y
se aproxima a cero en las generaciones finales. Esto asegura búsquedas
globales y también refinamientos locales. Además, la probabilidad de que
este tipo de mutación cambie de forma ascendente según el número de
generación para permitir que otros tipos de mutación se conviertan en ayuda
para mejores búsquedas globales.
Criterios de finalización : la selección de los criterios de finalización puede
ser más difícil de lo que parece, ya que no sabemos el clima en el que el
algoritmo ha alcanzado la respuesta óptima o no. Una condición física
promedio específica, un número de generación específico o que la variación
de la forma física no sea mejorable puede definir las condiciones en las que
podemos abandonar el proceso. El número máximo de generación dio el
resultado para este estudio específico.

Fig. 13: Cuarta mutación tipo

Un control sobre la profundidad del árbol debe existir, ya que el crecimiento

descontrolado de la profundidad provoca lo siguiente:

• Se necesita una cantidad considerable de memoria fuera del sistema

• El tiempo de convergencia aumenta a medida que disminuye la velocidad de las operaciones genéticas.

Para tal fin, se utilizan los dos enfoques siguientes:

La definición de una profundidad máxima para los árboles se puede programar simplemente
cosechando ramas que excedan el número máximo permitido de niveles. Si no se obtiene la respuesta
• en este método, se puede aumentar el límite permitido.
 Se puede penalizar a los árboles largos para reducir la probabilidad de sobrevivir para ellos. Este
• método ha mostrado mejores rendimientos que el anterior.

EVALUACIÓN ESPECÍFICA DE PARÁMETROS

Para que una programación genética tenga éxito, se debe aplicar un conjunto
adecuado de operadores, funciones y terminales con una combinación
adecuada de reproducción, cruce y probabilidades de mutación que no solo
garanticen la convergencia sino que también la agilicen. En este estudio, se
adopta una probabilidad de mutación de 0.2, una probabilidad de cruce de
0.7 y una probabilidad de reproducción de 0.1 y podría dar resultados
satisfactorios. La profundidad máxima para los árboles se tomó 10 niveles y,
con una estrategia penalizadora, la posibilidad de sobrevivir para aquellos
que están a más de 20 niveles se redujo a cero. El número de generaciones
fue de 5000 y el número de la población también fue de 100.
UNA COMPARACIÓN CON EL ENFOQUE DE LA RED NEURAL
Lo siguiente podría concluirse comparándolo con una investigación basada
en un enfoque de optimización de redes neuronales ( Khamehchi et al .,
2008 ):

Fig. 14: Error contra número de generación

En la programación genética existe la posibilidad de usar una variedad de funciones y combinaciones

de operadores, pero en la red neuronal tiene que usar una sola función matemática u operador y, por lo
• tanto, la cobertura de los operadores en la programación genética es más amplia.

En redes neuronales multicapa s el número de capas y nodos se adoptó inicialmente y se mantiene

constante durante todos los cálculos, mientras que en la Programación Genética la profundidad de los
• árboles puede variar y donde el espacio de búsqueda es voluminoso, la Programación Genética
 produce convergencias más rápidas mientras que para una búsqueda más pequeña espacios ANN es
más adecuado

Las redes neuronales artificiales dan mejores resultados para los datos de entrenamiento, pero para
los datos de prueba, la programación genética es más deseable, ya que utiliza una variedad de
• funciones y operadores dinámicamente.

Al igual que en el método de red neuronal, una red fija se actualiza continuamente y se utiliza la
• propagación de error. Este método produce errores promedio más bajos.

Inyección continua
La inyección continua es el método más común de elevación de gas. El gas a alta presión se
inyecta de manera continua en el anillo, a través de una válvula de extracción de gas, y en el
tubo, creando un gradiente de fluido aligerado, la reducción de la presión del pozo en la
formación, lo que resulta en una reducción entre el pozo y la formación. Esta reducción permite
que la formación produzca los fluidos deseados.
Inyección intermitente
La inyección intermitente es un método de levantamiento de gas (típicamente combinado con
ALS de levantamiento de émbolo) donde el gas se inyecta de manera intermitente, permitiendo
que la formación aumente la presión mientras la inyección se desvía a otro pozo o circula. Los
fluidos se acumulan en el tubo, el pozo soporta las acumulaciones de presión y un desvío de gas
hacia el pozo eleva la capa de fluido a la superficie. El pozo está cerrado y luego se repite el
proceso.

Paso 1
Una vez que se ha completado / trabajado un pozo, en el caso de un pozo nuevo, el fluido se
encuentra más a menudo en la superficie o cerca de ella, tanto en la cubierta como en la
tubería. Debido a la presión hidrostática de los fluidos del pozo muchas veces es demasiado para
la formación producir hidrocarburos. Cuando se instalan válvulas de elevación de gas, la
combinación de presión hidrostática en la carcasa y la tubería es suficiente para superar la
presión de apertura de todas las válvulas de fondo de pozo. Cuando se inyecta gas a alta presión
por el anillo, el fluido en el anillo se empuja a través de las válvulas superiores hasta que se
descubre la válvula superior (válvula # 5).

Paso 2
Una vez que se ha descubierto la válvula n. ° 5, inyecte los tubos en U del gas a través de esa
válvula, aclara el gradiente de fluido y levanta el líquido hacia la superficie. Mientras el gas
fluye a través de la válvula # 5, el fluido continúa siendo empujado a través de la válvula # 4 (si
la presión del tubo lo permite).
Paso 3
La presión de la tubería ha caído lo suficiente para permitir que el fluido fluya a través de la
válvula # 4 hasta el punto donde se obtuvo la inyección de gas. El gas de inyección se comparte
entre las válvulas n. ° 4 y n. ° 5 brevemente, mientras que la presión de la carcasa comienza a
disminuir debido al aumento en el área de flujo compartida entre las dos válvulas superiores.

ETAPA 4
La presión de la carcasa ahora ha caído lo suficiente como para caer por debajo de la presión de
cierre de la válvula # 5, cerrándola y terminando la comunicación entre la carcasa y la
tubería. La válvula # 4 es ahora el único punto de inyección de gas. Todas las válvulas
inferiores permanecen abiertas debido a la combinación de presión hidrostática y presión de
inyección.
Paso 5
La válvula # 3 ahora se ha descubierto, y el proceso continuará hasta que se obtenga el punto de
inyección más profundo. En la figura de la derecha, el punto de inyección más profundo es la
válvula n. ° 2, que llamamos "válvula operativa". La válvula # 1 se encuentra en una situación de
profundidad / presión donde Tp> Cp hace que la válvula de retención se encuentre en una
posición cerrada. La válvula n. ° 1 está abierta debido a la combinación de presión hidrostática y
presión de inyección, pero el gas de inyección no puede pasar debido al control sellado. Una vez
que las condiciones del pozo cambian lo suficiente como para que el TP sea menor que el CP, el
fluido comenzará y continuará descargando desde la parte posterior y se obtendrá la inyección de
gas hasta el punto más profundo posible (válvula # 1). Los aumentos de la tasa de flujo pueden
forzar a la válvula operativa a 'marcar', evitar que el gas de inyección entre en el tubo a esa
profundidad, lo que resulta en un aumento de la presión de la carcasa A medida que aumenta la
presión de la carcasa, las válvulas superiores comienzan a abrirse.