UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA DE PETRÓLEO, GAS NATURAL Y

PETROQUÍMICA
TRABAJO DE INVESTIGACIÓN

CRITERIOS DE SELECCIÓN DE
PROYECTOS EOR MEDIANTE LA
APLICACIÓN DE INTELIGENCIA
ARTIFICIAL “MACHINE
LEARNING” EN CAMPOS DE
CRUDO PESADO DE LA SELVA
NORTE PERUANA
OBJETIVOS
En el presente trabajo de investigación se determinará que método de recuperación mejorada del
petróleo, se podrá aplicar con mayor efectividad en los reservorios de los lotes 8, 39, 67 y 192 en
base a características específicas del petróleo y del reservorio analizado. Se hizo uso de métodos
analógicos para comparar los resultados de proyectos EOR aplicados previamente en reservorios
con características definidas. Basándonos en la definición de inteligencia artificial para la
determinación del proyecto EOR más adecuado de aplicar al reservorio.
MATRIZ DE CONSISTENCIA
MARCO
PROBLEMA OBJETIVO HIPÓTESIS
TEÓRICO
No hay métodos Determinar los Usar las redes Desarrollo y
EOR adecuados métodos EOR neuronales aplicación de
para los campos adecuados para los artificiales para Machine Learning en
de crudo pesado campos de crudo predecir el método otros países.
de la Selva Norte pesado de la Selva EOR adecuado para Trabajos de
del Perú Norte del Perú. los campos de crudo investigación
pesado de la Selva relacionados al
 
Norte del Perú. Artificial neural
  Network.
  Screening de los
métodos EOR para
crudo pesado.
Data de los campos
de petróleo de la
Selva Peruana.
IMPORTANCIA DE LA
ELECCIÓN DEL MÉTODO EOR
 REDES NEURONALES
Las Redes Neuronales son un campo muy importante dentro de la
Inteligencia Artificial. Inspirándose en el comportamiento conocido
del cerebro humano (principalmente el referido a las neuronas y sus
conexiones), trata de crear modelos artificiales que solucionen
problemas difíciles de resolver mediante técnicas algorítmicas
convencionales.
MACHINE LEARNING
PREPARACIÓN DEL
ALGORITMO
Los datos utilizados para entrenar y probar las redes se extraen de los informes especiales. Los
cuales incluyen nombre del campo, la roca del yacimiento y las propiedades de los fluidos, entre
otros.
Las neuronas de la capa de entrada están diseñadas para ser las principales propiedades del
yacimiento. Los diagramas de dispersión bidimensionales muestran las propiedades de
yacimiento que afectan la elección del método EOR. En consecuencia, las propiedades del
yacimiento: profundidad, temperatura, porosidad, permeabilidad, saturación inicial de oil,
gravedad del oil, viscosidad del oil se seleccionaron como las variables de entrada del modelo
ANN.
Se genera una nueva variable agrupando los parámetros de entrada del reservorio para
muestrear los datos que se utilizaran para la capacitación, dos tercios de los datos totales se
seleccionan en base a esta variable grupal como se resumen en la tabla 1.
TABLA
1.
RESULTADOS
Los datos de información obtenida en yacimientos donde ya se
realizaron proyectos EOR, se usarán como punto de partida para realizar
las analogías respecto a las características del yacimiento de análisis y
la data real probada.

De acuerdo con los resultados que se obtengan se verá si cumplen con

los rangos establecidos para cada característica especifica del
reservorio en los proyectos EOR. En la tabla 1 se verán los diferentes
métodos EOR con sus rangos de aplicación.
TABLA 6. DATOS DE CAMPOS
CANADIENSES
Tabla 4
Propiedades del oil Propiedades del reservorio
METODOS So
depth(ft
u(cP) °API actual( hp (ft) k(mD) Φ(%) Tres(°F) Pres(psia) Litologia
)
%)
Inyeccion de
<100 >15 >50 n.c. >10 n.c. <9000 <200 n.c. arenas
polimeros
Inyeccion de
<20 <25 >25 n.c. >20 n.c. <8500 <250 n.c. arenas
Inyeccion de surfactantes
quimicos Inyeccion de
<150 15-35 >25 n.c. >50 n.c. n.c. <200 n.c. arenas
alcalinos
Inyeccion de
<10 >20 >35 n.c. >10 n.c. n.c. <175 n.c. arenas
ASP
arenas
Combustion in
n.c. 10-45 50 >10 n.c. >10 >500 n.c. n.c. altamente
situ
porosas
arenas
>10
3000- uniformes
THAI n.c. 10-25 n.c 8-100 00m n.c. n.c. n.c.
5000 sin presencia
D
de gas libre
arenas con
Inyeccion de alta
>230
CO2 (Huff and n.c. 10-25 35-80 >20 n.c. n.c. n.c. n.c. porosidad y
0
Termicos Puff) permeabilida
d
arenas con
alta
Inyeccion de N2 >230
n.c. 10-25 35-80 >20 n.c. n.c. n.c. n.c. porosidad y
(Huff and Puff) 0
permeabilida
d
arenas con
>10 alta
Inyeccion de <500
n.c. 10-25 35-80 >20 00m >20 n.c. n.c. porosidad y
vapor continua 0
d permeabilida
d
Nitrógeno y gas >40- >600 Arenisca o
>0.4-0.2 >35-48 n.c. n.c. n.c. n.c. n.c.
de combustión 75 0 carbonato
Desplazamien Hidrocarburos >3-0.5 >23-41
>30-
n.c. n.c. n.c.
>400
n.c. n.c.
Arenisca o
to Miscible 80 0 carbonato
>20- >250 Arenisca o
CO2 >10-15 >22-36 n.c. n.c. n.c. n.c. n.c.
55 0 carbonato
 propiedades del oil propiedades del reservorio  
Yacimiento reservorio So depth(ft Predicción por Machine
u(cP) °API actual(%) hp (ft) k(mD) Φ(fracc) ) Learning
Cetico 3.2 24.5 74.7 44.6 500 21 9742.5 CO2 miscible
Pona 2.3 24.5 66 28.9 200 19 9366.8 Combustion
Corrientes
Vivian 3.7 23.5 65 21.5 1000 21 8769.5 Hydrocarbon miscible
Pozo basal 3.9 23 69 7.9 300 21 7899.9 CO2 miscible
Cetico 3 25 44 22.9 500 13.4 9208.3 Hydrocarbon miscible
Pavayacu Vivian 0.5 45 65 23.1 2000 20 8325.5 Hydrocarbon miscible
Pona 0.9 36 44.3 14.9 150 14.8 8908.8 Hydrocarbon miscible
Chambira Cetico 2.5 26.5 58 17.3 1250 17 11719.2 Hydrocarbon miscible
Vivian 7.2 19 50.4 28.5 1400 20.3 10655.5 Hydrocarbon miscible
Yanayacu
Pona 7.2 19 55 11.6 100 13.5 11128.6 CO2 miscible
Capahiari Vivian 2.7 27 59.41 23.7 300 14.5 11911.0 CO2 miscible
Norte Chonta 0.82 35.8 66.4 13.6 1 12.8 12868.0 CO2 miscible
Capahuari Vivian 1.48 35.3 84 54.2 1000 16.5 11795.0 CO2 miscible
Sur Chonta 0.4 35.2 76 21.9 60 12.0 12636.0 CO2 miscible
Vivian 9.2 21.9 66.04 26.3 750 17.1 9764.1 Hydrocarbon miscible
Carmen
Chonta 0.4 39.9 67.9 10.4 100 12.2 10486.5 CO2 miscible
Vivian 1.2 32.3 68.8 31.0 1500 18.2 10639.0 Hydrocarbon miscible
Dorissa
Chonta 0.6 40 66.37 15.3 40 12.8 11401.0 CO2 miscible
Jibarito Vivian 66.5 10.4 74.6 54.6 4000 47 9552.0 Hydrocarbon miscible
Basal T. &
46.2 19.4 21.0 7730.0 Hydrocarbon miscible
Vivian 70 11.5 2000
San
Chonta 2.5 28 67.6 46.1 500 19.1 7788.0 CO2 miscible
Jacinto
Basal
69.1 11.1 19.1 8412.0 CO2 inmiscible
Chonta 30 14.5 300
Basal
70.00 11.4 61.7 22.5 1000.0 21.4 7113.0 Hydrocarbon miscible
Terciario
Bartra
Vivian 80.00 11.4 68.6 34.2 4000.0 20.6 7248.0 Hydrocarbon miscible
Chonta 80.00 11.4 49.4 6.5 1000.0 17.3 7818.0 CO2 miscible
Vivian 4.00 18.9 64.17 44.0 800.0 17.9 9002.0 Hydrocarbon miscible
Forestal
Chonta 0.95 34.5 61.3 20.9 100.0 16.2 9626.0 Combustion
Huayuri Vivian 2.50 27.5 63.8 26.5 500.0 16.4 10045.0 CO2 miscible
Sur Chonta 0.40 38.2 69.2 10.0 200.0 14.0 10766.0 CO2 miscible
Huayuri
Vivian 7.00 20.7 67.27 26.8 160.0 20.1 10001.0 CO2 miscible
Norte
Vivian 7.20 20.2 65 37.3 1000.0 16.0 9253.0 Hydrocarbon miscible
Shiviyacu
Chonta 0.92 34.9 66.6 19.8 120.0 16.5 9962.0 CO2 miscible
Shiviyacu
Vivian 25.00 16.3 65 21.2 1800.0 16.5 9882.0 Hydrocarbon miscible
Nor este
Tambo Vivian 1.00 33.8 54 9.8 250.0 14.3 11892.0 CO2 miscible
CONCLUSIONES
Las propiedades de las rocas y los fluidos tienen una influencia directa en
selección de métodos EOR. Los resultados muestran que los métodos térmicos
tienen la mayor viscosidad, porosidad y permeabilidad y la más baja
gravedad, profundidad y temperatura.
La aplicación del sistema de Inteligencia Artificial en la selección adecuada
del Método EOR y su clasificación es muy importante y útil. El desarrollo de
dicha red muestra que los sistemas de Inteligencia Artificial tienen
aplicaciones importantes que ayudan a los experimentados ingenieros de
yacimientos para ahorrar tiempo al seleccionar una técnica EOR apropiada
sobre la base de propiedades de roca y fluidos.
¡ GRACIAS !