Traducido del inglés al español - www.onlinedoctranslator.

com

fluidos

Artículo

Aplicación del aprendizaje automático y la inteligencia

artificial en el modelado proxy para el flujo de fluidos en
medios porosos

Shohreh Amini 1,* y Shahab Mohaghegh 2

1
Centro de excelencia de Big Data, Halliburton, Houston, TX 77032, EE. UU.
2
Departamento de Ingeniería de Petróleo y Gas Natural, Universidad de West Virginia, Morgantown, WV 26506, EE. UU.
* Correspondencia: shohreh.amini@halliburton.com

---- -
Recibido: 1 de mayo de 2019; Aprobado: 3 de julio de 2019; Publicado: 9 de julio de 2019 ---

Abstracto: Los modelos de simulación de yacimientos son las principales herramientas para estudiar el
comportamiento del flujo de fluidos en los yacimientos de hidrocarburos. Estos modelos se construyen en base a
modelos geológicos, que se desarrollan integrando datos de geología, geofísica y petrofísica. A medida que aumenta
la complejidad de un modelo de simulación de yacimiento, también aumenta el tiempo de cálculo. Por lo tanto, para
realizar cualquier estudio completo que implique miles de ejecuciones de simulación, se requiere un período de
tiempo muy largo. Se han realizado varios esfuerzos para desarrollar modelos proxy que puedan utilizarse como
sustitutos de modelos complejos de simulación de yacimientos. Estos modelos proxy tienen como objetivo generar
los resultados de los modelos numéricos de flujo de fluidos en un período de tiempo muy corto. Esta investigación se
centra en el desarrollo de un modelo de flujo de fluidos proxy utilizando inteligencia artificial y técnicas de
aprendizaje automático. En este trabajo,2 Proyecto de secuestro en el que el objetivo es evaluar los parámetros
dinámicos del yacimiento (presión, saturación y CO2 fracción molar) bajo varios CO2 escenarios de inyección. El
modelo basado en datos que se desarrolla es capaz de generar presión, saturación y CO2 fracción molar en todo el
yacimiento con un esfuerzo computacional significativamente menor y un período de tiempo considerablemente
más corto en comparación con el modelo numérico de simulación del yacimiento.

Palabras clave: Floridamodelo de flujo de uidos; modelado de proxy; aprendizaje automático; inteligencia artificial (IA); modelado
basado en datos

1. Introducción

Desarrollar un modelo de simulación de yacimiento y llevarlo a cabo para miles de escenarios diferentes nos
proporciona, en última instancia, un espacio de solución que se puede utilizar para un análisis de incertidumbre extenso. Sin
embargo, esta técnica no será prácticamente práctica para un modelo de simulación de yacimiento geológicamente complejo
con millones de bloques de cuadrícula, incluso si solo requiere unas pocas horas para realizar una sola ejecución. Si bien la
aplicación de nuevas tecnologías, como la computación en la nube, puede acelerar el proceso de ejecución de modelos de
simulación de grandes yacimientos, tiene sus propias complicaciones; en primer lugar, estas tecnologías son caras y, en
segundo lugar, no serían lo suficientemente rápidas para un proceso de toma de decisiones. Encontrar un problema de este
tipo motiva la búsqueda de un enfoque alternativo.
Para el problema mencionado anteriormente, se pueden desarrollar modelos proxy para aproximar la solución de un
modelo complejo de simulación de yacimientos. Aunque no existe un modelo proxy que pueda generar exactamente el
mismo resultado que el modelo original, pueden ser significativamente beneficiosos para aproximar los resultados deseados.

1.1. Modelado de proxy

Se han realizado numerosos esfuerzos para desarrollar modelos proxy que puedan utilizarse como sustituto de
un modelo complejo de simulación de yacimientos. Los modelos proxy, que se han desarrollado en petróleo

Fluidos 2019, 4, 126; doi: 10.3390 / fluids4030126 www.mdpi.com/journal/fluids

Fluidos 2019, 4, 126
2 de 17

ingeniería, generalmente se pueden clasificar en cuatro grupos diferentes según su enfoque de desarrollo.
Estos cuatro grupos son: enfoque basado en estadísticas, enfoque de física reducida, enfoque de modelado de
orden reducido y técnicas basadas en inteligencia artificial (IA).
Los métodos estadísticos, como las superficies de respuesta, intentan generar una función que pueda capturar
la relación entrada-salida de los parámetros involucrados. El número de entradas que se pueden utilizar para
desarrollar el modelo proxy se limita a los parámetros inciertos del sistema. Incluso con este número limitado de
entradas, debido a la naturaleza estadística, este enfoque requiere cientos de ejecuciones de simulación para cubrir
adecuadamente el espacio de entrada-salida. En general, cuanto más compleja es la función matemática, más
esfuerzo computacional se requiere para obtener una función adecuada que pueda describir con precisión el
comportamiento del sistema. En la ingeniería del petróleo, esta técnica se ha aplicado en varios tipos de estudios,
como la comparación de antecedentes [1], mejorando los modelos geológicos [2], planificación del desarrollo del
campo [3], optimización [4], y muchos otros estudios. Sin embargo, el área más común donde se ha aplicado esta
metodología es en el análisis de incertidumbre de un proceso en particular como la producción de petróleo [5,6] y
compañía2 secuestro [7]. También se pueden aplicar otros métodos de regresión, como el proceso de regresión
gaussiano (GP), para desarrollar una superficie de respuesta. Este método fue utilizado por Zhang et al. Desarrollar un
modelo proxy para la evaluación de riesgos de un CO geológico.2 secuestro en un depósito de salmuera [8].
En modelos proxy basados en física reducida, la física del proceso se simplifica aplicando varios
supuestos. Se afirma que este enfoque es más preciso debido al hecho de que se tiene en cuenta la física del
fenómeno. Sin embargo, cabe señalar que las formulaciones que se utilizan en la ingeniería petrolera, y en
particular las relacionadas con el flujo de fluidos en medios porosos, se desarrollan en base a varios supuestos
simplificadores y, por lo tanto, ya son una estimación de lo que realmente está sucediendo en realidad. Como
resultado, los modelos proxy que se desarrollan basados en una simplificación aún mayor de estas fórmulas
apenas representan la física real del proceso, lo que limita significativamente su aplicación. En ingeniería de
yacimientos, La técnica de modelado de proxy de física reducida se ha utilizado con mayor frecuencia en el
modelado de procesos de recuperación térmica como SAGD (drenaje por gravedad asistido por vapor) y Vapex
(extracción de vapor), y también en la producción de gas de esquisto. Usando este enfoque, se han
desarrollado varios proxies basados en formulaciones analíticas para modelar procesos SAGD. Azad y col.
utilizó un modelo proxy analítico basado en la física y el método de filtro de Kalman extendido con el fin de
caracterizar el yacimiento [9]. Vanegas y col. [10] desarrolló un modelo proxy basado en la formulación de
Butler [11] para predecir el caudal de petróleo, la producción acumulada de petróleo y la inyección de vapor
acumulada bajo algunos parámetros inciertos de porosidad, permeabilidad horizontal, permeabilidad vertical,
saturación de petróleo y tipo de roca (lutita o arena).
El enfoque de modelado de orden reducido se utiliza para reducir el esfuerzo computacional de resolver el
sistema de ecuaciones no lineales que pertenecen al flujo de fluido en medios porosos. Este método se basa en
proyectar la matriz del sistema de alta dimensión en una matriz de menor dimensión a través de la cual el
sistema de ecuaciones se puede resolver más rápidamente. Algunas de las técnicas de esta categoría pueden
reducir el tiempo de ejecución de un modelo numérico de yacimiento en varios órdenes de magnitud. Sin
embargo, este procedimiento aún debe realizarse en el reservorio lleno y, por lo tanto, no sería tan eficiente
cuando se aplica a un reservorio con una gran cantidad de bloques de rejilla (más de 106). Esto se debe al
hecho de que en este enfoque, generar un modelo de orden bajo requiere generar un sistema de ecuaciones
diferenciales parciales para una gran cantidad de bloques de cuadrícula. No hay duda de que para lograr una
cierta cantidad de precisión, la reducción del pedido no puede exceder una cierta cantidad y, por lo tanto, en la
práctica, el desarrollo del modelo de orden reducido para un número tan grande de cuadrículas se vuelve
ineficaz. El modelado de orden reducido se ha aplicado en diferentes áreas para varios propósitos de
simulación, clasificación, visualización y compresión de datos de alta dimensión. La aplicación de esta
metodología en el modelado de flujo de fluidos subsuperficiales es relativamente nueva y se basa
principalmente en el subespacio de Krylov, el truncamiento equilibrado y las técnicas de descomposición
ortogonal adecuada (POD).12]. La descomposición ortogonal adecuada es probablemente el método más
comúnmente utilizado para el modelado de orden reducido de sistemas no lineales.
Fluidos 2019, 4, 126
3 de 17

Los modelos de orden reducido son beneficiosos en varios tipos de problemas, como la optimización y el análisis
de incertidumbre, donde se requiere realizar una gran cantidad de modelos de orden superior. En la ingeniería de
yacimientos, POD se ha utilizado ampliamente como un enfoque para desarrollar modelos proxy de ejecución rápida
para una variedad de modelos numéricos de simulación de yacimientos. Sin embargo, muchos investigadores han
modificado la metodología POD en un intento de mejorar los resultados o la eficiencia de POD mediante la
integración de algunas otras técnicas. Por ejemplo, Cardoso et al. [13] han utilizado una técnica de agrupamiento para
optimizar las instantáneas para el problema de descomposición propia y el procedimiento de estimación de puntos
perdidos (MPE) para reducir la dimensión de los vectores base POD. Otras técnicas incluyen la aplicación de POD-
TPWL (linealización por tramos de trayectoria) y POD-DEIM (método de interpolación empírica discreta) que se
elaboran con más detalle en este capítulo.
Finalmente, los modelos proxy se pueden construir utilizando técnicas de aprendizaje automático e inteligencia
artificial. La inteligencia artificial y, en particular, las redes neuronales artificiales (ANN) han demostrado ser potentes
herramientas de procesamiento de datos que se han aplicado a una amplia variedad de problemas en diferentes
áreas como la médica, la ingeniería, las finanzas, los negocios, etc. Una red neuronal artificial es una técnica
inteligente virtual que es una herramienta eficiente para detectar y aproximar la relación altamente no lineal entre
entradas y salidas de un sistema. Durante las últimas tres décadas esta técnica ha sido empleada en ingeniería
petrolera en diferentes áreas como una herramienta eficiente para predecir características del yacimiento como
porosidad y permeabilidad, generación de troncos sintéticos, desempeño de producción de pozos, etc.

El enfoque de modelado basado en IA puede verse como la búsqueda de relaciones complejas entre los parámetros de
entrada y salida involucrados en la simulación de flujo de fluidos. Esta técnica es el enfoque más flexible, que se puede utilizar
para una variedad de problemas relacionados con el flujo de fluidos en medios porosos, como el análisis de incertidumbre, la
optimización y la comparación del historial. Este estudio se centra en el uso de algoritmos de aprendizaje automático para
desarrollar un modelo proxy para el modelo numérico de flujo de fluidos en medios porosos.

1.2. Aplicación de redes neuronales en el modelado de flujo de fluidos

En las últimas tres décadas, las redes neuronales se han vuelto de interés para los ingenieros petroleros y
geocientíficos. En el tema del flujo de fluidos en medios porosos, se utilizan comúnmente los algoritmos de
entrenamiento supervisado y específicamente el algoritmo de retropropagación. En este método, tanto las entradas
como las salidas se presentan a la red y el proceso de aprendizaje se lleva a cabo basándose en la retroalimentación
de errores a la red.
Las redes neuronales artificiales se han utilizado para una variedad de problemas en la ingeniería del petróleo. Las
aplicaciones anteriores de este método son la interpretación de pruebas de pozo [14], predicción de la permeabilidad de la
formación [15,dieciséis], predicción del daño de la formación debido a la inyección en reservorios de baja permeabilidad [17] y
caracterización de yacimientos [18].
Más tarde, las aplicaciones de redes neuronales en varias áreas de la ingeniería petrolera se volvieron más
comunes. Gorucu y col. aplicó esta metodología para construir una herramienta que se denominó “Herramienta de
Neurosimulación”, con el objetivo de predecir el desempeño de un CO2 proceso de secuestro para mejorar el metano
de capas de carbón [19]. Alajmi y col. desarrolló una herramienta de análisis de presión transitoria que pudo predecir
las propiedades desconocidas deseadas de un sistema de yacimiento de doble porosidad, como la permeabilidad de la
matriz, la porosidad de la matriz y las fracturas mediante el entrenamiento de una red neuronal. En el proceso de
entrenamiento, utilizaron las propiedades conocidas del yacimiento, las propiedades del fluido y los parámetros del
pozo como entrada de la red neuronal [20]. Shihao wang y col. aplicó un algoritmo de aprendizaje profundo para
desarrollar un modelo para realizar cálculos flash para la simulación de composición en un yacimiento no
convencional [21]. La red neuronal entrenada es capaz de predecir las fases y la distribución de la concentración en el
sistema con un costo computacional muy bajo y una alta precisión. Utilizaron este resultado como la suposición inicial
para el módulo de cálculo flash en el simulador de yacimientos. El cálculo flash requiere cálculos numéricos que
consumen mucho tiempo y que encuentran problemas de estabilidad en algunos casos y, por lo tanto, la
implementación del algoritmo de aprendizaje profundo en el módulo de cálculo flash dio como resultado resultados
mucho más rápidos con estabilidad mejorada.
Fluidos 2019, 4, 126
4 de 17

En otro estudio realizado por Mohaghegh et al. Se desarrolló un modelo de yacimiento sustituto (SRM) basado en pozos
para un campo petrolero gigante en el Medio Oriente con el fin de identificar los pozos que son los principales candidatos
para la relajación de tasas con el objetivo de una mayor producción de petróleo. La producción del campo después de más de
dos años confirmó los resultados predichos por el modelo de yacimiento sustituto SRM desarrollado, que demostró la
capacidad de los modelos de yacimiento desarrollados con base en la red neuronal en una operación de campo real [22].

Shahkarami y col. han utilizado el enfoque basado en inteligencia artificial para desarrollar una técnica de comparación
de historia asistida para un campo de petróleo sintético con 24 pozos de producción y 30 años de producción. El proceso de
comparación de historia en este estudio se basa en tres parámetros inciertos del yacimiento que son la porosidad, la
permeabilidad y el espesor. Los resultados de este estudio mostraron que las redes neuronales se pueden utilizar como una
herramienta rápida y eficiente para el proceso de comparación de historial asistido [23].
Klie y Florez aplicaron un nuevo enfoque para desarrollar un modelo basado en datos para yacimientos de lutitas
fracturados [24]. En este trabajo, el modelo basado en datos incluyó la descomposición en modo dinámico (DMD) para
modelar el campo de presión. DMD se utiliza para la estimación, previsión y control de estados basados en sistemas de
orden reducido, como alternativa a POD. Una red de memoria a largo plazo a corto plazo (LSTM), que es un tipo de red
neuronal recurrente (RNN), está entrenada para rastrear la producción de gas.
En general, de acuerdo con la literatura existente, las técnicas de inteligencia artificial se han utilizado
principalmente para desarrollar modelos proxy, cuyo objetivo es calcular parámetros relacionados con el pozo, como
producción / inyección, en lugar de parámetros dinámicos del yacimiento, como presión y saturación de gas. Los
modelos bien basados se construyen para una variedad de problemas, incluido el análisis del rendimiento del pozo,
la optimización, el emparejamiento del historial, etc.
Solo hay unos pocos estudios que se han realizado utilizando redes neuronales artificiales con el
propósito de modelar el flujo dentro de los medios porosos. En un estudio realizado por Klie [25], La
metodología POD y DEIM y las redes de función de base radial (RBF) se utilizaron para desarrollar un
modelo proxy con dos objetivos de predicción de la tasa de producción, y también distribución de
presión y saturación de gas bajo permeabilidad incierta y tasa de inyección variable. POD y DEIM se
utilizaron como herramienta para reducir la dimensionalidad de las matrices generadas que se utilizarán
como entradas para la red RBF. Por lo tanto, deben pasar por todas las complicaciones de la metodología
POD antes de poder utilizar la red RBF para desarrollar el modelo proxy. Esta metodología se ha aplicado
en dos modelos de yacimientos con un máximo de 300 bloques de cuadrícula. La aplicación de estas
técnicas cuando aumenta el número de bloques de cuadrícula aumenta drásticamente el tiempo y el
esfuerzo de cálculo para construir dichos modelos proxy.
En la investigación realizada por Chen et al. [26], se desarrolló un modelo proxy para un modelo de yacimiento
2D con 900 bloques de cuadrícula y una distribución de permeabilidad heterogénea con porosidad constante.
Asumieron que la saturación es conocida e intentaron predecir la presión en cada bloque de la red utilizando el
modelo proxy desarrollado simplificado utilizando redes neuronales artificiales. En este trabajo se ha utilizado una
formulación y un modelo de yacimiento muy simplificados que no demuestran la capacidad del modelo para ser
aplicado a un caso más realista.
Los estudios existentes sobre la aplicación de redes neuronales artificiales para el desarrollo de un modelo SRM
o proxy basado en cuadrículas tienen muchas limitaciones y deficiencias y, por lo tanto, no pueden utilizarse como una
herramienta práctica para un modelo de simulación numérico complejo de yacimientos. El trabajo actual utiliza un
enfoque novedoso para desarrollar un modelo de reservorio sustituto (proxy) mediante el uso de redes neuronales
artificiales. La capacidad del modelo desarrollado se demuestra aplicando la técnica a un caso real, yacimiento
heterogéneo 3D con 100.000 bloques de cuadrícula activos que se utiliza para un CO2 estudio de secuestro.

2. Materiales y métodos

El flujo de trabajo que se siguió para desarrollar el modelo proxy de flujo de fluidos se presenta en detalle en las
siguientes secciones.
Fluidos 2019, 4, 126
5 de 17

2.1. Desarrollo de modelos numéricos de yacimientos

2.1.1. Fondo de campo

El campo de estudio es un depósito de gas agotado. Este campo se identificó como una opción adecuada para
CO2 secuestro ya que el sitio está bien caracterizado debido a su historial de producción de gas natural [27]. El
reservorio objetivo para inyectar CO2 es un reservorio de arenisca de aproximadamente 110 pies de espesor y ubicado
a 6561 pies bajo tierra con un área de aproximadamente 500 acres. El embalse está cubierto por una roca de barro. La
estructura está limitada por tres grandes fallas de sellado y dos acuíferos que están conectados al embalse desde el
lado sureste y oeste. Existen dos pozos en este embalse. El primer pozo fue un pozo de producción de gas natural, que
produjo de mayo de 2002 a octubre de 2003, que se convirtió en un pozo de monitoreo en 2007. El segundo pozo
(CRC-1) es un pozo de inyección a través del cual el CO2 fue inyectado bajo tierra. Fue perforado en 2007 y está
ubicado aproximadamente a 980 pies de distancia del pozo anteriormente productor. CO2 inyección a través de CRC-1
comenzó en marzo de 2008 [28].
En el siguiente paso, se desarrolla un modelo numérico de simulación de yacimientos para simular tanto la fase de
producción de gas natural como la fase de producción de CO2 fase de inyección. Sin embargo, los estudios adicionales en este
trabajo solo se centran en el CO2 proceso de inyección. El modelo de yacimiento se desarrolla en CMG-GEM (módulo de
modelado composicional, Computer Modeling Group Ltd., Calgary, AB, Canadá) utilizando los datos de campo disponibles.

La estructura del reservorio se genera haciendo uso de un mapa de contorno disponible a partir de la
información geológica del campo. Este modelo incluye 100× 100 bloques de cuadrícula en la dirección x – y y
consta de 10 capas. La estructura del reservorio y la ubicación de los pozos se muestran en la Figura1. El pozo
de producción se completa en las capas 5 y 6; sin embargo, el pozo de inyección se completa en cinco capas del
reservorio (capa 3 a capa 7).

Figura 1. Estructura del modelo de yacimiento y ubicación de los pozos.

La distribución de los parámetros del yacimiento (porosidad y permeabilidad) se genera a través de un método estadístico
(Kriging) utilizando los datos del núcleo y del registro de CRC-1.

Cuando la inyección tiene lugar en el depósito, el fenómeno de histéresis juega un papel importante en el
comportamiento del flujo de fluido. En el período de inyección temprano, el drenaje es el proceso dominante; sin embargo, la
imbibición tiene lugar cuando el CO2 penacho comienza a migrar. La histéresis afecta el CO2 movilidad, así como el contacto
gas-agua, y por lo tanto se introduce en el modelo a través de las curvas de permeabilidad relativa adecuadas.
Fluidos 2019, 4, 126
6 de 17

Debido a la existencia de un sistema acuífero activo, una fracción del CO inyectado2 se disuelve en la fase
acuosa y, por tanto, en este modelo el CO2 También se tiene en cuenta la solubilidad en agua.

2.1.2. Coincidencia de historia

El modelo de yacimiento desarrollado se comparó con el historial en función de los datos de campo disponibles tanto
en la fase de producción de gas natural como en la fase de producción de CO 2 fase de inyección. Durante el proceso de
comparación del historial, la tasa de producción de gas natural mensual durante 18 meses y el CO mensual2 La tasa de
inyección durante 8 meses se considera como la restricción en el modelo y la presión del fondo del pozo se adapta a los pozos
de producción e inyección mediante la alteración de los parámetros del yacimiento. Se asumió que el espesor de las capas del
yacimiento era un valor constante igual a 11 pies. Por lo tanto, durante el proceso de comparación del historial, la porosidad y
la permeabilidad del yacimiento se utilizan como los principales parámetros de ajuste. Figura2muestra los datos de campo y
los resultados de la simulación para la presión de fondo de pozo (BHP) de los pozos de producción e inyección después de la
comparación del historial.

Figura 2. Presión de fondo de pozo (BHP) igualada en el historial para pozos de producción e inyección.

El modelo de historial coincidente se utiliza como modelo base para generar el SRM basado en cuadrícula para el
intervalo de inyección cuando el modelo se ejecuta para varios escenarios de inyección.

2.2. Desarrollo de modelo proxy

El modelado de yacimientos sustitutos es un enfoque basado en IA para construir un modelo proxy que se puede
utilizar para generar los resultados de un modelo de simulación de yacimientos numérico complejo. En este contexto, SRM se
puede definir como un modelo personalizado compuesto por una colección de redes neuronales que se entrenan, prueban y
verifican para un problema específico.
Una vez desarrollado para un caso particular, puede generar las salidas del modelo numérico de
simulación de yacimientos cuando las entradas se alteran dentro de un rango específico con el que se
entrenaron las redes.
Para este trabajo, SRM se desarrolla para investigar los cambios de parámetros dinámicos (presión,
saturación de gas y CO 2 fracción molar) en todo el yacimiento en varios escenarios de inyección. Figura 3
muestra el flujo de trabajo general para el desarrollo de SRM.
Fluidos 2019, 4, 126
7 de 17

Figura 3. Flujo de trabajo de desarrollo del modelo de yacimiento sustituto (SRM).

2.2.1. Diseño de escenarios de simulación

Como se mencionó anteriormente, a los efectos del desarrollo de SRM, solo se considera la fase de inyección.
Para este estudio se utiliza un intervalo de inyección constante de 24 meses y cinco CO2 Los escenarios de inyección se
diseñan en función de la cantidad de CO2 inyectado en el depósito. Suponiendo G como la cantidad total de CO 2
inyectado para el caso base, en los cuatro escenarios posteriores, 2G y 3G, 3.25G y 3.5G de CO total2
se inyecta en el embalse en 24 meses. Las tasas de inyección mensuales para todos los escenarios anteriores se
muestran en la Figura4.

Figura 4. Programa de inyección mensual de cinco CO2 escenarios de inyección dentro de los 24 meses posteriores a la inyección.

2.2.2. Generación de conjuntos de datos

Se ejecutan los cinco escenarios de inyección anteriores y se extraen los datos estáticos y dinámicos adecuados al nivel
del bloque de la cuadrícula del modelo numérico del yacimiento. Los parámetros dinámicos se recopilan en cada mes de
inyección durante todo el intervalo de inyección. Posteriormente, se genera un conjunto completo de datos espacio-
temporales para todos los escenarios de inyección. En la Figura se presenta una lista de parámetros incluidos en el conjunto
de datos.5.
Fluidos 2019, 4, 126
8 de 17

Figura 5. Lista de datos recopilados para la generación de conjuntos de datos SRM.

En co2 proceso de inyección y secuestro, ya que el CO2 está migrando hacia arriba, CO2 La fracción molar y, como
resultado, la saturación de gas en cualquier ubicación del yacimiento, dependen de las características del yacimiento
(como porosidad y permeabilidad) no solo de la capa actual, sino también de las capas inferior y superior. El volumen
de poro disponible y el grado de estanqueidad de varios bloques de rejilla en la vecindad del bloque de rejilla principal
afectan al CO2 movimiento y distribución de la saturación de gas. Por lo tanto, para tener en cuenta el efecto de esta
confiabilidad, se calculan e incluyen parámetros adicionales en el conjunto de datos (Figura6). Para obtener el valor de
Tier-1, Tier-2 y Tier-3, se calcula el parámetro de reservorio promedio sobre las cuadrículas que se incluyen en el
sistema de niveles correspondiente. Cabe mencionar que la cantidad de bloques de cuadrícula incluidos en cada
sistema de niveles se puede aumentar o disminuir, según la resolución del modelo.

Figura 6. Nuevo esquema para el cálculo del sistema de niveles.

2.2.3. Muestreo de datos

Dado que el conjunto de datos principal incluye datos de cada bloque de cuadrícula del reservorio para cinco escenarios
diferentes, el conjunto de datos generado es de muy alta dimensión y, por lo tanto, requiere mucho tiempo para usarse con
fines de entrenamiento de redes neuronales. Por lo tanto, el muestreo de datos se utiliza para reducir la dimensionalidad del
conjunto de datos.
Fluidos 2019, 4, 126
9 de 17

En cada paso de tiempo, los datos se muestrean basándose en la cantidad de cambios en los parámetros dinámicos en
comparación con el estado inicial de inyección; lo que significa que el 10% de los datos se seleccionan más de los bloques de
la cuadrícula con una mayor cantidad de cambios en los parámetros dinámicos. Este enfoque se utiliza para garantizar que
los datos muestreados puedan representar adecuadamente los cambios que están ocurriendo en el yacimiento debido al CO2
inyección. Aplicando esta metodología, se selecciona el 10% de todos los datos en cada paso de tiempo para usarlo en el
entrenamiento del modelo proxy.

2.2.4. Desarrollo de modelo de flujo proxy

En general, la red neuronal se considera una clase de función paramétrica no lineal, donde los parámetros se
ajustan durante el entrenamiento de la red neuronal. En este trabajo, la red neuronal de retropropagación se utiliza
para desarrollar el modelo de proxy. El entrenamiento de la red neuronal se realizará una vez que se determine la
estructura de la red. En el estudio actual, se utiliza un trabajo neuronal de tres capas (capa de entrada, una capa
oculta y una capa de salida). La estructura general de la red se muestra en la Figura7. El número de neuronas en la
capa de entrada es igual al número de entidades utilizadas como parámetros de entrada. En la capa oculta, el número
de neuronas se elige para que sea ligeramente superior al número de entradas. Las características de entrada
incluyen los parámetros enumerados en la Figura5, así como la porosidad y permeabilidad promedio en los sistemas
de tres niveles, para todos los bloques de rejilla del yacimiento. Todas las características del conjunto de datos
generado en la sección2.2.2 están normalizados entre -1 y 1.

Figura 7. Arquitectura de red neuronal (NN) típica para el modelo de proxy.

En cada paso de tiempo mensual durante la inyección, se entrenan tres redes neuronales individuales
para presión, saturación de gas y CO2 fracción molar. Por lo tanto, hay una salida para cada red en cada paso
de tiempo.
El proceso de entrenamiento de la red neuronal comprende varios pasos que conducen a la determinación de los
parámetros de red involucrados. En el método de propagación hacia atrás, en cada época de entrenamiento, el error
calculado se envía hacia atrás a través de la red y los pesos se actualizan en consecuencia. Se utilizó el método de descenso de
gradiente como algoritmo de optimización para minimizar el error. Durante el entrenamiento de la red neuronal, algunos
hiperparámetros de la red, como el impulso y la tasa de aprendizaje, se ajustan para obtener una mayor precisión.

El conjunto de datos se divide aleatoriamente en tres partes. Para cada una de las redes neuronales, el 80% de los datos
de entrada (de los datos ya muestreados) se utiliza para el entrenamiento, el 10% para la validación y el 10% para las pruebas.

Durante el proceso de entrenamiento, el rendimiento de las redes neuronales en la predicción del parámetro de salida se
investiga mediante la observación de los diagramas cruzados de los valores predichos de la red neuronal frente a la salida de la
simulación, y también los cambios del valor R cuadrado para el conjunto de entrenamiento, validación y prueba. Se observa el error del
conjunto de entrenamiento así como del conjunto de validación para asegurarse de que en cada época estos dos errores estén
disminuyendo. El entrenamiento del modelo se detiene cuando se cumplen dos criterios. Primero, un R cuadrado satisfactorio
Fluidos 2019, 4, 126
10 de

se obtiene el valor y, en segundo lugar, el error del conjunto de validación no disminuye más. Esto último evita el problema de
sobreajuste en el que el error del conjunto de entrenamiento sigue disminuyendo.

3. Resultados

3.1. Comparación de resultados del modelo proxy y del modelo numérico

Como se mencionó en la sección anterior, solo el 10% de todos los datos se muestrearon y se utilizaron para entrenar
las redes neuronales. Para generar los parámetros dinámicos del yacimiento para todo el reservorio, las redes neuronales
desarrolladas en cada paso de tiempo (cada mes de inyección), se aplican a todos los bloques de rejilla del reservorio.

Para evaluar el resultado del modelo proxy entrenado en la generación de los resultados del modelo numérico
de yacimiento, el modelo desarrollado se aplica a un conjunto de datos de entrenamiento (escenario-2) y se compara
la distribución de parámetros dinámicos en el reservorio en cada paso de tiempo. En cifras8 y 9, los mapas de
distribución de los tres parámetros de presión, saturación de gas y CO 2 La fracción molar en la primera capa del
depósito se presenta en dos pasos de tiempo durante el proceso de inyección (en el medio de la inyección y al final de
la inyección).

Figura 8. Mapas de distribución de presión, saturación de gas y CO 2 fracción molar en la primera capa del reservorio (de
izquierda a derecha: salida de CMG, resultado del modelo proxy y error) - caso de entrenamiento - 12 meses después de
la inyección.

Para verificar la capacidad del modelo desarrollado para generalizar, el modelo se aplica en un escenario de
caso ciego que no se utilizó en el proceso de entrenamiento. Por lo tanto, se define y ejecuta un nuevo programa de
inyección en el modelo de simulación del yacimiento. El programa de inyección de gas mensual para el escenario de
caso ciego se muestra en la Figura10 con líneas cruzadas.
Líquido de 17

Figura 9. Mapas de distribución de presión, saturación de gas y CO 2 fracción molar en la primera capa del reservorio (de
izquierda a derecha: salida de CMG, resultado del modelo proxy y error) - caso de entrenamiento - 24 meses después de
la inyección.

Figura 10. Programa de inyección mensual para el escenario de caso ciego.

Posteriormente, se extraen los datos requeridos de este escenario y se aplica el modelo proxy
desarrollado para generar los tres parámetros de salida en todo el yacimiento durante todo el intervalo de
inyección. Los resultados de las predicciones de la red neuronal para los tres parámetros dinámicos se
presentan en las Figuras11 y 12.
Fluidos 201
12 de

Figura 11. Mapas de distribución de presión, saturación de gas y CO2 fracción molar en la primera capa del reservorio (de izquierda
a derecha: salida de CMG, resultado del modelo proxy y error) - caso ciego - 12 meses después de la inyección.

Figura 12. Mapas de distribución de presión, saturación de gas y CO2 fracción molar en la primera capa del reservorio (de izquierda
a derecha: salida de CMG, resultado del modelo proxy y error) - caso ciego - 24 meses después de la inyección.
Fluidos 2019, 4, 126
13 de

3.2. Evaluación de errores del modelo proxy

Los mapas de distribución 2D, que se presentaron en las secciones anteriores, visualizan el resultado del modelo
proxy frente a la salida de CMG para cada capa del yacimiento. En esta sección, se presentan las gráficas de error de
frecuencia para demostrar la distribución de frecuencia del error para todos los bloques de la cuadrícula del
yacimiento. Las gráficas de error se generaron para cada parámetro de presión, saturación de gas y CO2 fracción
molar individualmente, cuando las redes neuronales se aplican a dos escenarios diferentes (el caso de entrenamiento
y el caso ciego). Como ejemplo, los resultados se presentan en dos pasos de tiempo durante el intervalo de inyección
para ambos escenarios (Figuras13-15).

Figura 13. Distribución de la frecuencia de error de presión para todos los bloques de la rejilla del depósito en 2 pasos de tiempo durante la

inyección — izquierda: caso de entrenamiento, derecha: caso ciego.

Generalmente, la frecuencia de los bloques de la cuadrícula con mayor cantidad de error aumenta cuando las redes
neuronales se aplican al caso ciego en oposición al caso de entrenamiento, especialmente en los últimos pasos de tiempo.
Además, los resultados muestran que las redes de presión tienen la mayor precisión en la predicción de la distribución
de la presión, ya que para este parámetro la cantidad de error para el escenario de caso ciego después de 24 meses de
inyección no supera el 2%. El gráfico de error de frecuencia para la predicción de la saturación de gas para el mismo caso
ciego después de 24 meses de inyección muestra que aproximadamente el 85% de los bloques de la red tienen un error de
menos de 0,02. Los resultados de la predicción para el mismo caso de CO2 La fracción molar muestra que más del 95% de los
bloques de la cuadrícula tienen un error menor o igual a 0.05.
En general, la distribución de presión generada por el modelo proxy es de muy alta precisión (menos del 3% de error)
en comparación con la saturación de gas y CO2 fracción molar. La razón radica en el hecho de que el reservorio tiene un
volumen relativamente pequeño con un fuerte soporte del acuífero y, por lo tanto, todo el reservorio está presurizado como
resultado del CO2 inyección. En consecuencia, la presión no tiene un frente claro que deba detectarse específicamente. Ésta
puede ser la razón por la que los cambios en la presión se pueden capturar de manera efectiva a través de los datos
muestreados.
La salida para la saturación de gas y CO2 la fracción molar muestra un error mayor. La razón es que
ambos parámetros tienen un frente nítido y, por lo tanto, para que se detecten con precisión, se requiere que
se introduzca una cantidad suficiente de datos en la red, particularmente de las áreas cercanas al borde de la
pluma. Aunque la metodología de muestreo se basa en seleccionar la mayoría de los datos del área con la
máxima cantidad de cambio, no garantiza la selección de todos los datos específicamente del borde del CO.2
penacho.
Fluidos 2019, 4, 126
14 de

Figura 14. Distribución de la frecuencia del error de saturación de gas para todos los bloques de la rejilla del yacimiento en dos pasos de

tiempo durante la inyección: izquierda: caso de formación, derecha: caso ciego.

Figura 15. CO2 Distribución de frecuencia de error de fracción molar para todos los bloques de la cuadrícula del yacimiento en dos pasos de

tiempo durante la inyección: izquierda: caso de entrenamiento, derecha: caso ciego.

4. Discusión

Debido a la limitación de la potencia computacional disponible para este estudio, el entrenamiento de la red neuronal
se realizó utilizando solo el 10% de los datos de los escenarios de entrenamiento; sin embargo, el uso de un porcentaje
mucho mayor del conjunto de datos extraído de los escenarios de entrenamiento puede mejorar los resultados de la
predicción de la red neuronal. Cuantos más datos de entrenamiento se utilicen, mejor se podrá capturar el comportamiento
del flujo de fluido durante el proceso de entrenamiento.
Fluidos 2019, 4, 126
15 de

En este trabajo se utilizó un algoritmo de red neuronal de una sola capa para desarrollar el modelo de proxy; sin
embargo, se recomienda la aplicación de una red neuronal profunda, específicamente si se utiliza un gran porcentaje de los
bloques de la red del yacimiento en la fase de entrenamiento.

5. Conclusiones

El modelo de proxy desarrollado basado en inteligencia artificial y aprendizaje automático es capaz de generar los
resultados de un modelo de simulación numérico complejo a nivel de bloque de cuadrícula con una precisión razonable en un
período de tiempo muy corto con un costo computacional significativamente menor. Se necesitan aproximadamente 15 min
para ejecutar una de las ejecuciones de simulación utilizadas en este estudio, y aproximadamente 45 s para aplicar las redes
neuronales desarrolladas para todos los pasos de tiempo mensuales. Por lo tanto, lo hemos acelerado unas 20 veces para
este caso específico. Sin embargo, cuanto más complejo es el modelo de yacimiento, más se acelera. Esto se debe a que
cuando el modelo de yacimiento se vuelve más complicado, el tiempo de ejecución para resolver las ecuaciones diferenciales
parciales aumentaría drásticamente; sin embargo, el tiempo y el esfuerzo computacional para desarrollar y aplicar una red
neuronal para un sistema tan complejo no está aumentando en consecuencia. Por lo tanto, la eficiencia del modelo proxy es
mucho mayor para sistemas más complejos.
El modelo de proxy basado en IA no está limitado por la elección de una función predefinida y, por lo tanto, es
muy flexible. En todos los modelos proxy desarrollados mediante enfoques estadísticos, la función que representa el
comportamiento del sistema se determina únicamente a través de las relaciones entre los parámetros inciertos y las
salidas del sistema. Sin embargo, en un enfoque basado en IA, cualquier tipo de datos que afecten la salida del
modelo o proporcionen información sobre el sistema en estudio se pueden incluir en el desarrollo del modelo. Por lo
tanto, el modelo se entrena proporcionando información relacionada con cualquier componente del sistema, la
relación entre estos componentes y el efecto de cada uno de ellos en el comportamiento del sistema.

Se puede utilizar un modelo de proxy basado en IA para modelar un sistema significativamente no lineal. La
capacidad de reconocimiento de patrones de las redes neuronales permite que el modelo capture la interrelación
entre múltiples parámetros del sistema sin encontrar ningún problema de inestabilidad.
La característica del método utilizado en este estudio nos permite hacer uso de varios tipos de datos para
enseñar al modelo la física detrás del flujo de fluidos en medios porosos. Por lo tanto, el modelo construido es
capaz de generar las salidas del modelo de simulación numérica cuando las entradas son cambios dentro del
rango de entrenamiento.

Contribuciones de autor: Conceptualización, SM; metodología, SM; software, SM y SA; validación, SA; análisis formal,
SA; investigación, SA; recursos, SM; curación de datos, SA; redacción — preparación del borrador original, SA; escritura
— SA, SM; visualización, SA; supervisión, SM; administración de proyectos, SM; adquisición de financiación, SM

Fondos: Esta investigación fue financiada por el Laboratorio Nacional de Tecnología Energética, Departamento de Energía de los EE. UU.,
Número de concesión DE-FOA0000023-03.

Expresiones de gratitud: Los autores desean agradecer al Computer Modeling Group por proporcionar el software
de simulación de yacimientos CMG-GEM™, e Intelligent Solutions, Inc. (ISI) por proporcionar el software IDEA (para el
desarrollo de redes neuronales). Los autores también desean agradecer al Departamento de Energía de EE. UU. (DOE)
por apoyar este proyecto.

Conflictos de interés: Los autores declaran no tener ningún conflicto de intereses.

Referencias

1. Slotte, PA; Smorgrav, E. Enfoque de la metodología de superficie de respuesta para el emparejamiento histórico y la evaluación de la
incertidumbre de los modelos de simulación de yacimientos. En Actas de la Conferencia y Exposición Europec / EAGE, Roma,
Italia, 9-12 de junio de 2008.

2. Narayanan, K .; Blanco, CD; Lake, JW; Willis, BJ Métodos de superficie de respuesta para mejorar modelos geológicos
heterogéneos. En Actas del Simposio de simulación de yacimientos de la SPE, Houston, TX, EE. UU., 14-17 de
febrero de 1999.
Fluidos 2019, 4, 126
16 de

3. Carreras, PE; Turner, SE; Wilkinson, GT Tahiti: Evaluación de la estrategia de desarrollo mediante el diseño de experimentos
y métodos de superficie de respuesta. En Proceedings of the SPE Western Regional, Anchorage, Alaska, EE. UU., 26-27
de mayo de 2006.
4. Purwar, S .; Jablonowski, CJ; Nguyen, QP Un método para integrar superficies de respuesta en modelos de
optimización con. En Actas del Simposio de Evaluación y Economía de Hidrocarburos de la SPE, Dallas, TX, EE.
UU., 8 a 9 de marzo de 2010.
5. Ahmed, SJ; Recham, R .; Nozari, A .; Bughio, S .; Schulze-Riegert, R .; Ben Salem, R. Flujo de trabajo de cuantificación de incertidumbre
para campos petrolíferos maduros: combinación de técnicas de diseño experimental y diferentes modelos de superficie de
respuesta. En Proceedings of the Middle East Oil and Gas Show and Conference, Manama, Bahrein, 10-13 de marzo de 2013.

6. Al Salhi, MS; Van Rijen, MF; Dijk, H .; Wei, L.Evaluación de la incertidumbre estructurada para el campo Fahud
mediante la aplicación de métodos de superficie de respuesta y diseño experimental. En Actas de la feria y
conferencia SPE Middle East Oil and Gas, Manama, Bahrein, 12-15 de marzo de 2005.
7. Yeten, B .; Castellini, A .; Guyaguler, B .; Chen, WH Estudio comparativo sobre diseño experimental y metodologías de
superficie de respuesta. En Actas del Simposio de simulación de yacimientos de la SPE, The Woodlands, TX, EE. UU., 31
de enero a 2 de febrero de 2005.
8. Zhang, Y .; Pau, G.Desarrollo de modelos de orden reducida para CO2 Almacenamiento en depósitos de salmuera; Serie de informes técnicos;
División de Ciencias de la Tierra, Laboratorio Nacional Lawrence Berkeley: Berkeley, CA, EE. UU., 2012.

9. Azad, A .; Chalaturnyk, RJ; Movaghati, S. Caracterización de yacimientos: aplicación del filtro de Kalman extendido y modelos
de proxy basados en la física analítica en la recuperación térmica. En Actas de la Asociación Internacional de
Geociencias Matemáticas, Houston, TX, EE. UU., 23 de mayo de 2011.
10. Vanegas, WJ; Deutsch, CV; Cunha, LB Evaluación de la incertidumbre del desempeño de SAGD utilizando un modelo proxy
basado en la teoría de Butler. En Actas de la Conferencia y Exposición Técnica Anual de la SPE, Denver, CO, EE. UU., 23
de mayo de 2008.
11. Mayordomo, RM Un nuevo enfoque para el modelado del drenaje por gravedad asistido por vapor; Sociedad de Petróleo de
Canadá: Calgary, AB, Canadá, 1987.

12. Cardoso, MA Desarrollo y aplicación de procedimientos de modelado de orden reducido para simulación de yacimientos.
Doctor. Disertación, Universidad de Stanford, Stanford, CA, EE. UU., 2009.
13.Cardoso, MA; Durlofsky, LJModelos linealizados de orden reducido para simulación de flujo subterráneo; Elsevier:
Amsterdam, Países Bajos, 2010.
14.Al-Kaabi, AAU; Lee, JW Uso de redes neuronales artificiales para identificar el modelo de interpretación de pruebas de pozo.
Formulario SPE. Eval.1993, 8, 233–240. [CrossRef]
15.Mohaghegh, S .; Arefi, R .; Bilgesu, I .; Ameri, S .; Rose, D. Diseño y desarrollo de una red neuronal artificial para la
estimación de la permeabilidad de la formación.SPE Comput. Apl.1995, 7, 151-154. [CrossRef]
16. Mohaghegh, S .; Ameri, S .; Arefi, R. Medición virtual de la premeabilidad de formaciones heterogéneas utilizando
respuestas de registros de pozos geofísicos.Log Anal. 1996, 37, 32–39.
17. Nikravesh, M .; Kovscek, AR; Patzek, TW Predicción del daño de la formación durante la inyección de fluido en reservorios
fracturados de baja permeabilidad a través de redes neuronales. En Proceedings of the SPE Formation Damage Control
Symposium, Lafayette, LA, USA, 14-15 de febrero de 1996.
18. Mohaghegh, S .; Arefi, R .; Ameri, S. Caracterización de yacimientos de petróleo con la ayuda de una red neuronal artificial.
J. Pet. Sci. Ing.1996, dieciséis, 263–274. [CrossRef]
19. Gorucu, F .; Gorucu, FB; Ertekin, T .; Bromhal, GS; Smith, DH; Sams, WN; Jikich, SA Una herramienta de neurosimulación
para predecir el rendimiento en metano y CO mejorados en lechos de carbón 2 Proyecto de secuestro. En Actas de la
Conferencia Técnica Anual de la SPE, Dallas, TX, EE. UU., 28-29 de noviembre de 2005.
20. Alajmi, M .; Ertekin, T. Desarrollo de una red neuronal artificial como análisis transitorio de presión. En Actas de la
Conferencia de Petróleo y Gas de Asia Pacífico de la SPE, Yakarta, Indonesia, 30 de octubre a 1 de noviembre de 2007.
21. Wang, S .; Sobecki, N .; Ding, D .; Zhu, L .; Wu, YS Aceleración y estabilización del cálculo de equilibrio vapor-líquido (VLE) en
la simulación de composición de reservorios no convencionales utilizando el cálculo flash basado en aprendizaje
profundo. Combustible 2019, 253, 209–219. [CrossRef]

22.Mohaghegh, SD; Modavi, A .; Hafez, H .; Haajizadeh, M .; Guruswamy, S. Desarrollo de un modelo de yacimiento

sustituto (SRM) para el análisis de vía rápida de un yacimiento complejo.En t. J. Oil Gas Carbón Technol.2009. [
CrossRef]
Fluidos 2019, 4, 126
17 de

23. Shahkarami, A. Coincidencia de historia asistida mediante tecnología de reconocimiento de patrones. Doctor. Disertación,
Universidad de West Virginia, Morgantown, WV, EE. UU., 2014.

24. Klie, H .; Florez, H. Modelado basado en datos de yacimientos de lutitas fracturadas. En Proceedings of the ECMOR
XVI-16th European Conference on the Mathematics of Oil Recovery, Barcelona, Spain, 3-6 de septiembre de 2018.
25. Klie, H. Desbloqueo de predicciones rápidas de yacimientos mediante modelos no intrusivos de orden reducido. En Actas del
Simposio de simulación de yacimientos de la SPE, The Woodlands, TX, EE. UU., 18-20 de febrero de 2013.
26. Chen, H .; Klie, H .; Wang, Q. Un método de interpolación de plantilla de caja negra para acelerar las simulaciones de yacimientos.
En Actas del Simposio de simulación de yacimientos de la SPE, The Woodlands, TX, EE. UU., 18-20 de febrero de 2013.
27. CSIRO. Prueba de almacenamiento de carbono listo para llevar. Disponible en linea:http://www.sciencealert.com.au/features/20081303-
17040.html (consultado el 12 de diciembre de 2009).

28.Dancea, T .; Spencera, L .; Xua, J. Qué diferencia hace un pozo. En Actas de la Conferencia Internacional sobre Tecnologías de
Control de Gases de Efecto Invernadero (GHGT-9), Washington, DC, EE. UU., 12-16 de noviembre de 2008.

© 2019 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los términos y condiciones de la licencia Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).