Predicción producción pozos ANN Yac. No Conv

Asignatura Datos del alumno Fecha
Investigación en Inteligencia Apellidos: Cárdenas Rodriguez

14-Dic-2020
Artificial Nombre: Camilo Rafael
1. ANTECEDENTES
La analítica de datos es un proceso que incluye la recopilación, limpieza,
transformación y modelado de datos para descubrir información útil. En la presente era
digital, es cada vez más importante para las empresas aprovechar la tecnología para
cambiar la forma en que operan, con la ayuda de la analítica de datos y la Inteligencia
Artificial. En los últimos años, también ha habido una creciente aplicación de
tecnologías digitales en la exploración y producción de petróleo y gas. Las operaciones
de petróleo y gas se están volviendo cada vez más complicadas con las
infraestructuras de instalaciones modernas, los reservorios complejos, el aumento de
los requisitos regulatorios, la demografía cambiante de la fuerza laboral, el ritmo rápido
para desarrollar los campos con Yacimiento No Convencionales y el constante
panorama competitivo.
Una de las tareas más importantes de un ingeniero de yacimientos es realizar

pronósticos de producción (Arps, 1956). Cuando las ecuaciones de gobierno que
describen el comportamiento del subsuelo se entienden razonablemente bien, como
sucede en los yacimientos convencionales, el análisis de datos se utiliza para acelerar
el pronóstico de la producción a través de modelos proxy, modelos de física reducida
(por ejemplo, modelos de capacitancia / resistencia), o modelos de orden reducido.
Los avances en la Inteligencia Artificial presentan nuevos métodos de análisis

predictivo de incertidumbre. Esto métodos se basan en datos y tienen como objetivo
acelerar las decisiones de Gestión de un Yacimientos a través de un enfoque de
pronóstico directo sin considerar utilizar un modelo clásico de Ingeniería de
Yacimientos. En los casos en los que el fenómeno subyacente no se comprende bien o
es muy complejo, como en aplicaciones para Yacimientos No Convencionales, se
utilizan métodos basados en datos (es decir, métodos de regresión en el aprendizaje
automático) para asignar las entradas directamente a las variables de respuesta
deseadas (como la producción acumulada o recuperación final estimada al final de un
intervalo de tiempo).
Para los Yacimientos No Convencionales, y por su propia naturaleza, es muy difícil, y

en algunos casos imposible, caracterizar estos recursos mediante los métodos
clásicos. La Ingeniería de Yacimientos actualmente carece de sustento técnico e
información para comprender el funcionamiento físico del yacimiento no
convencional. Hay algunas ideas clave que los Ingenieros de Yacimientos tienen que
desarrollar para producir hidrocarburos de estos recursos siendo:
 Considerar la gran heterogeneidad que tiene el Yacimiento No Convencional.
 La muy baja porosidad y permeabilidad.
 La incertidumbre en el proceso físico que tienen los Yacimientos No
Convencionales que determina la producción de hidrocarburo y el desempeño
de los pozos perforados.
Los nuevos métodos de Inteligencia Artificial presentan grandes ventajas para lidiar con
los retos de los Yacimiento No Convencionales, sea por la incertidumbre de la física
pg. 1
This study source was downloaded by 100000792430491 from CourseHero.com on 12-15-2021 00:38:44 GMT -06:00
https://www.coursehero.com/file/98017076/deberCC-Inves-IAdocx/
14-Dic-2020
que gobierna su producción o la gran cantidad de datos que provienen de los pozos
productores, y obtener así una solución rápida para predecir la producción petrolera de
manera efectiva.
El aprendizaje automático es el campo de estudio que brinda a las computadoras la
capacidad de aprender sin ser explícitamente programado. Uno de los métodos de
aprendizaje automático más populares para la predicción son las redes neuronales
artificiales (ANN por sus siglas en inglés). Este método puede aprender utilizando un
gran volumen de datos sin asumir un modelo físico. Además, tiene la posibilidad de
considerar nuevos datos para el aprendizaje y posterior predicción de producción
petrolera.
2. HIPÓTESIS
Diseñar una Red Neuronal Artificial que tenga flujos de trabajo para entrenar y
optimizar dicha red con el objetivo de predecir el desempeño productivo de un pozo
petrolero en un Yacimiento No Convencional. Dicha red neuronal debe optimizar el
tiempo del Ingeniero de Yacimientos, al reducir la carga de trabajo requerido para
acondicionar los datos y construir el modelo.
El resultado final es tener un pronóstico de la producción del pozo para un rango de

tiempo definido. De esta forma, el Ingeniero de Yacimiento tendrá mayor libertar para
concentrarse en el análisis de escenarios junto con la revisión del desempeño
productivo del pozo petrolero.
Las metodologías clásicas de la Ingeniería de Yacimientos brindan un punto de control

a los resultados presentados por la red neuronal. Sin embargo, al tratarse de pozos en
Yacimientos No Convencionales, los modelos físicos clásicos no suelen adaptarse con
facilidad para definir una predicción adecuada de la producción de petróleo esperada.
3. METODOLOGÍA
3.1. DATOS REQUERIDOS

Los datos por utilizar pertenecen al Yacimiento No Convencional Eagle Ford de
Texas en Estados Unidos de Norteamérica. Los datos considerados tienen un
historial mínimo de 2-4 años de producción histórica para evitar datos no
disponibles. Estos datos de producción y las presiones del cabezal de la
tubería se registran diariamente en una base de datos relacional Oracle. Estos
datos de producción histórica son una señal del comportamiento del yacimiento
porque contiene la información sobre cómo responde el pozo a diferentes
restricciones operativas.
La Red Neuronal permitirá comprender el comportamiento productivo para

predecir su capacidad de producción según las diferentes restricciones
operativas en un futuro próximo. Aparte del histórico de producción, los datos
geológicos complementarán la información sobre la productividad asociada al
pg. 2
14-Dic-2020
yacimiento del pozo. Los datos geológicos por considerar son los registros de
pozos, interpretación petrofísica como la porosidad promedio, contenido
promedio de arcilla y densidad.
Otro conjunto de información relacionada al pozo son sus coordenadas en

subsuelo, las mismas que se puede utilizar para evaluar el efecto de
interferencia en la producción petrolera entre pozos cercanos.
3.2. ESCENARIOS A CONSIDERAR

Es necesario evaluar el resultado considerando los siguientes escenarios:
● Producción de un pozo existente: la red neuronal debe predecir la

producción futura de un pozo en función de su historial de producción.
En este escenario se considera que los datos geológicos y las coordenadas son
estáticas. Los datos serán procesados previamente y la característica
normalizada. Los insumos se dividirán en diferentes grupos para entrenamiento,
validación y prueba.
En definitiva, se planea usar el 80% de los datos disponibles para entrenar el

modelo de Red Neuronal. La validación de los resultados debe ser tanto
matemática como visual, al sobreponer los datos pronosticados sobre el historial
de producción del pozo como se muestra en la siguiente figura.
Figura 1: Producción histórica del pozo. Figura 2: Comparación de producción

estimado y real.
● Producción de un nuevo pozo: a predecir la producción de un nuevo pozo

según la producción histórica de pozos cercanos en regímenes geológicos
similares.
En el segundo escenario, el diseño de la red neuronal es similar al anterior, ya

que utiliza el historial de producción, pero también debe usar varios mapas
geológicos y coordenadas para los datos de entrada. La red neural aprenderá
pg. 3
14-Dic-2020
cómo los datos de mapas geológicos normalizados han impactado la producción

de pozos cercanos y aplicarlos a la ubicación de destino.
Para fines de validación, se debe tomar el 20% restante de datos que fue previamente
ignorado para el proceso de entrenamiento. Gráficamente se debe validar el resultado
al superponer el resultado y el dato real para el 20% de muestra. Mediante esta prueba
se valida el funcionamiento del red neuronal artificial.
Figura 3: Comparar producción histórica, simulación y resultados de pruebas.
Con el objetivo de evitar el overfitting en la red neuronal, el tamaño de los datos de

entrenamiento también debe considerarse en el diseño. En resumen, se recomienda
utilizar una capa de oculta con el número adecuado de neuronas para que se ajuste
mejor al reto.
Figura 4: Estructura propuesta de la Red Neuronal.
Por último, para aumentar la generalización del modelo al probar los datos, se
implementa la técnica de parada temprana en el entrenamiento. En resumen, antes de
alcanzar el número máximo predefinido de iteraciones, es necesario validar el
pg. 4
14-Dic-2020
rendimiento del modelo aprendido en el conjunto de datos de validación

cada K iteraciones.
4. RECOMENDACIONES
Como lo mencionó Essley Jr en 1965, “La ingeniería de yacimientos es difícil. El
practicante con mayor éxito suele ser el ingeniero que, a través de grandes esfuerzos
para comprender el yacimiento, logra adquirir algunos datos más y, por lo tanto,
necesita menos suposiciones”.
Si bien los métodos clásicos de la Ingeniería de Yacimientos usan modelos clásicos

basados en la física, como las simulaciones numéricas y el modelado analítico, estas
técnicas presentan importantes desafíos en especial para los Yacimientos No
Convencionales, por ejemplo:
 Falta de modelos conceptuales confiables para describir adecuadamente la
física.
 Difícil caracterización del reservorio por su gran volumen y complejidad.
 Los modelos complejos basados en la física requieren tiempos de ejecución
prolongados, lo que entra en conflicto con los ciclos de decisión cortos que tiene
los Ingenieros de Yacimientos.
Los resultados obtenidos de diseñar una Red Neuronal Artificial que permita predecir el
desempeño productivo de un pozo petrolero brindará grandes beneficios al Ingeniero
de Yacimientos para comprender y optimizar la producción petrolera en casos
complicados como son los Yacimientos no Convencionales.
5. BIBLIOGRAFIA
Arps, JJ: 1956. Estimación de reservas primarias. Trans. AIME 207 : 24–33.
Duong, Anh N .: Un enfoque de disminución de la tasa no convencional para pozos de

gas cerrados y dominados por fracturas, papel SPE 137748 presentado en la
Conferencia Canadiense de Recursos No Convencionales y Petróleo Internacional
celebrada en Calgary, Alberta, Canadá, 19 a 21 de octubre de 2010
Ilk, D., Rushing, JA, Perego, AD et al. 2008. Exponencial vs. Declive hiperbólico en
arenas de gas estrechas: comprensión el origen y las implicaciones de las
estimaciones de reservas utilizando las curvas de declive de Arps. Presentado en la
SPE Annual Conferencia y exposición técnica, Denver, Colorado, EE. UU., 21-24 de
septiembre. SPE-116731-MS. http://dx.doi.org/ 10.2118 / 116731-MS.
J. Nocedal, SJ Wright, Optimización numérica (segunda edición) p30 – p37, 2006
L. Prechelt, Redes neuronales: Trucos del oficio, págs. 55–69, Lecture Notes in
Computer Science, Springer Verlag, Heidelberg, 199
pg. 5
Powered by TCPDF (www.tcpdf.org)

Predicción producción pozos ANN Yac. No Conv

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Predicción producción pozos ANN Yac. No Conv

Cargado por

Copyright:

Formatos disponibles

Asignatura Datos del alumno Fecha

Investigación en Inteligencia Apellidos: Cárdenas Rodriguez

Una de las tareas más importantes de un ingeniero de yacimientos es realizar

Los avances en la Inteligencia Artificial presentan nuevos métodos de análisis

Para los Yacimientos No Convencionales, y por su propia naturaleza, es muy difícil, y

El resultado final es tener un pronóstico de la producción del pozo para un rango de

Las metodologías clásicas de la Ingeniería de Yacimientos brindan un punto de control

3.1. DATOS REQUERIDOS

La Red Neuronal permitirá comprender el comportamiento productivo para

Otro conjunto de información relacionada al pozo son sus coordenadas en

3.2. ESCENARIOS A CONSIDERAR

● Producción de un pozo existente: la red neuronal debe predecir la

En definitiva, se planea usar el 80% de los datos disponibles para entrenar el

Figura 1: Producción histórica del pozo. Figura 2: Comparación de producción

● Producción de un nuevo pozo: a predecir la producción de un nuevo pozo

En el segundo escenario, el diseño de la red neuronal es similar al anterior, ya

cómo los datos de mapas geológicos normalizados han impactado la producción

Figura 3: Comparar producción histórica, simulación y resultados de pruebas.

Con el objetivo de evitar el overfitting en la red neuronal, el tamaño de los datos de

Figura 4: Estructura propuesta de la Red Neuronal.

rendimiento del modelo aprendido en el conjunto de datos de validación

Si bien los métodos clásicos de la Ingeniería de Yacimientos usan modelos clásicos

Duong, Anh N .: Un enfoque de disminución de la tasa no convencional para pozos de

J. Nocedal, SJ Wright, Optimización numérica (segunda edición) p30 – p37, 2006

También podría gustarte