Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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/
Asignatura Datos del alumno Fecha
Investigación en Inteligencia Apellidos: Cárdenas Rodriguez
14-Dic-2020
Artificial Nombre: Camilo Rafael
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.
3. METODOLOGÍA
pg. 2
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/
Asignatura Datos del alumno Fecha
Investigación en Inteligencia Apellidos: Cárdenas Rodriguez
14-Dic-2020
Artificial Nombre: Camilo Rafael
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.
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.
pg. 3
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/
Asignatura Datos del alumno Fecha
Investigación en Inteligencia Apellidos: Cárdenas Rodriguez
14-Dic-2020
Artificial Nombre: Camilo Rafael
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.
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
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/
Asignatura Datos del alumno Fecha
Investigación en Inteligencia Apellidos: Cárdenas Rodriguez
14-Dic-2020
Artificial Nombre: Camilo Rafael
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”.
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.
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.
L. Prechelt, Redes neuronales: Trucos del oficio, págs. 55–69, Lecture Notes in
Computer Science, Springer Verlag, Heidelberg, 199
pg. 5
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/
Powered by TCPDF (www.tcpdf.org)