Desde finales de los años sesenta, se ha utilizado la metodología de pruebas de perforabilidad (Drill-Off Test) en la construcción de pozos petroleros. Para encontrar la combinación óptima de parámetros que maximice los ritmos de perforación.
Sin embargo, este proceso puede resultar lento, ya que interrumpe la operación de perforación. Y los datos pueden ser sesgados debido a errores al momento de tomar el promedio de los parámetros, especialmente en lecturas ruidosas.
En este trabajo técnico, presentamos una análisis de perforabilidad basados en técnicas de ciencia de datos y algoritmos de machine learning. Los cuales permiten analizar la perforabilidad de manera más eficiente y precisa, sin interrumpir las operaciones de perforación y aprovechando al máximo los datos. Los cuales se generan durante la perforación con los sensores de superficie y en las herramientas de perforación, cuando están disponibles.
Utilizando códigos de programación en lenguaje Python y librerías de fuente abierta. Procesamos los datos de parámetros de superficie para identificar patrones difíciles de detectar con análisis de datos convencionales. Además, aplicamos el algoritmo KNN (K-Nearest Neighbors) y otros análisis estadísticos para reducir el ruido en los datos. Con los algoritmos Kmeans y SVM (Support-Vector Machine) para identificar diferentes grupos de datos en los intervalos de formaciones donde hay presencia de más de un tipo de litología.
Finalmente, utilizamos herramientas avanzadas de visualización de datos para comunicar los resultados de manera clara y efectiva.
En este trabajo técnico, demostramos cómo se puede potenciar el valor de las mejores prácticas al aplicarlas. Con la ayuda de las herramientas de ciencia de datos, permitiendo una toma de decisiones más informada y eficiente. En particular, se demuestra cómo se puede reducir el tiempo. Ycomo resultado, los costos asociados con las pruebas de perforabilidad convencionales, mejorando la precisión de los resultados y la eficiencia operativa.
Te puede interesar: Impacto del envejecimiento del crudo en los rendimientos de productos petrolíferos
En la industria petrolera, mejorar los procesos de perforación es crucial para reducir el tiempo y los costos asociados con la construcción de pozos petroleros. Una forma de lograrlo es mediante el incremento de los ritmos de perforación, conocidos como ROP (Rate Of Penetration en inglés). Para ello, se han desarrollado diferentes métodos de análisis que permiten predecir la ROP utilizando modelos analíticos convencionales y de machine learning. Sin embargo, predecir la ROP no siempre es suficiente para maximizar el valor de las intervenciones.
En este contexto, se han publicado trabajos que describen cómo identificar ajustes en las condiciones de perforación para incrementar la ROP y/o extender la vida de los componentes de la sarta de perforación.
La frecuencia de los datos de parámetros de perforación transmitidos en tiempo real ofrece una oportunidad para optimizar la perforación. Pero es necesario establecer flujos de trabajo que reduzcan el ruido y manejen la gran cantidad de datos que se generan.
En este trabajo técnico, se describe una metodología innovadora que permite analizar los datos de parámetros de perforación en tiempo real. Para identificar la combinación óptima de peso sobre la barrena (PSB) y velocidad de rotación de la tubería de perforación (Rotaria) bajo las condiciones del pozo. Sin interrumpir las operaciones como en el caso de las pruebas convencionales de perforabilidad.
Los cálculos son automatizados a través de códigos de programación en lenguaje Python. Y los resultados se representan en gráficas generadas por librerías de visualización de datos de fuente abierta. Con esta metodología, se espera mejorar la eficiencia operativa y reducir los costos asociados con las pruebas de perforabilidad convencionales en la industria petrolera.
Comentarios y Análisis de Resultados
En la realización de las pruebas de perforabilidad de los tres ejemplos se pudo observar que es posible traducir los resultados en visualizaciones claras. Sin embargo, es importante destacar que la calidad de los análisis depende en gran medida de la calidad de los datos. La limpieza y la integridad de los datos son críticas para que los análisis sean efectivos.
Es importante mencionar que los ejemplos analizados corresponden a análisis post-perforación. Lo que significa que los resultados no afectaron el ajuste de los parámetros en ninguna sección del pozo. Esto limita los análisis a las combinaciones de parámetros que se aplicaron. No obstante, si se realizan análisis en tiempo real. Donde se puedan probar diferentes parámetros en función de las pruebas previas, se pueden agregar gran valor en la optimización de la perforación.
El torque puede ser utilizado como indicador litológico para ajustar los parámetros de perforación de manera oportuna. Ya que los sensores de registro durante la perforación generalmente cuentan con GR y la resistividad a pocos metros de la barrena aproximadamente 7 metros. Aunque existen tecnologías que acercan más estas mediciones a la barrena, estas no son aplicadas como estándar.
En caso de que los registros durante la perforación no sean siempre incluidos en la sarta de perforación, es posible agrupar los datos considerando el torque y la tasa de penetración (ROP).
Los análisis se realizaron a diferentes profundidades, en diferentes formaciones con diferentes tipos de sartas y barrenas, aunque todos corresponden al mismo pozo.
Todos los algoritmos aplicados en este trabajo pertenecen a la biblioteca scikit-learn, que es una biblioteca de fuente abierta. Por lo tanto, cualquier ingeniero con un poco de curiosidad puede reproducir los resultados del presente trabajo.
Conclusiones
La aplicación de algoritmos de machine learning y técnicas de ciencia de datos permite realizar análisis de perforabilidad de manera continua y sin interrumpir las operaciones de perforación.
Se requieren de datos de calidad en los parámetros de perforación para obtener resultados precisos y útiles.
Las visualizaciones gráficas de los resultados, creadas mediante el uso de librerías de ciencia de datos. Permiten una comunicación efectiva y amigable de los resultados para la toma de decisiones.
Finalmente, la automatización de los cálculos complejos y visualizaciones de los resultados mediante códigos de programación, permite realizar análisis de perforabilidad en tiempo real y con mayor eficiencia.
El Ingenieros Freddy José Márquez Morales presentó el trabajo en la reciente edición del Congreso Mexicano del Petróleo (CMP).
