En la última década, la inteligencia artificial (IA) y la Machine Learning se han convertido en una herramienta que está impulsando la transformación tecnológica de la industria y de las formas de trabajar a nivel mundial. Términos como Inteligencia artificial, machine learning (ML) y deep learning (DL) han cobrado gran relevancia en la forma de resolver problemas complejos.
El machine learning (ML) es una rama de la inteligencia artificial (IA) que se define como la aplicación de un conjunto de algoritmos diseñados. Para encontrar patrones en los datos que puedan ser utilizados para realizar predicciones y en la creación de valor a través de la optimización de procesos.
Existen diferentes algoritmos de machine learning. Sin embargo, en este trabajo nos enfocaremos en el algoritmo de Kmeans clustering que se encuentra dentro de los métodos de aprendizaje no supervisado. Este algoritmo se utilizará para realizar un agrupamiento de pozos con base en su comportamiento de producción. Y a partir de éstos poder definir curvas tipo que permitan realizar pronósticos de producción que reflejen de mejor manera dicho comportamiento.
A su vez, utilizaremos algunas funciones que ofrece el ecosistema Python en conjunto con prácticas de ingeniería básica de yacimientos para realizar una propuesta de desarrollo y pronosticar la producción de un campo de gas.
La metodología propuesta en este trabajo se aplicó en un yacimiento de gas no asociado del norte del país, logrando definir el número de localizaciones adicionales requeridas para su desarrollo, así como un pronóstico de producción automatizado utilizando técnicas de Machine Learning.
Te puede interesar: Comportamiento reológico de muestras de condensados
En los últimos años, la inteligencia artificial (IA) se ha convertido en una herramienta que está impulsando la transformación tecnológica de la industria. Términos como Inteligencia artificial, machine learning (ML) y deep learning (DL) han cobrado gran relevancia en la forma de resolver problemas complejos, y aunque se encuentran directamente relacionados, no significan lo mismo.
El machine learning (ML) es una rama de la inteligencia artificial (IA) que se define como la aplicación de un conjunto de algoritmos. Diseñados para encontrar patrones en los datos que puedan ser utilizados para realizar predicciones. Y en la creación de valor a través de la optimización de procesos.
Los algoritmos de machine learning automatizan la construcción de modelos analíticos. Permitiendo que las máquinas puedan aprender de datos e identificar patrones y tomar decisiones con mínima intervención humana sin ser expresamente programadas para ello. Los métodos de machine learning determinan la dependencia de las variables entre sí utilizando solamente los datos. Lo cual nos significa que ya no se necesite la experiencia del ser humano, sino que esta se proporcionará principalmente mediante las siguientes acciones:
Seleccionar las variables relevantes y excluir aquellas que no proporcionen información valiosa al modelo. Las variables relevantes pueden ser seleccionadas utilizando criterios de ingeniería, y el conocimiento de los fenómenos que se buscan modelar.
Proporcionar datos empíricos representativos del caso a modelar. Evaluar los resultados de los modelos para asegurarse de que estos sean satisfactorios. Agregar explícitamente cualquier restricción esencial que deba ser considerada.
Conclusiones
Al evaluar el desempeño de los algoritmos de machine learning para la definición de un plan de desarrollo y la automatización de pronósticos de producción se obtuvieron resultados satisfactorios
Es posible plantear un esquema de desarrollo utilizando únicamente datos de producción y las coordenadas de los pozos productores. Sin embargo, para reducir la incertidumbre y maximizar las probabilidades de éxito se recomienda la incorporación de información geológica.
Se identificó un alto potencial en la aplicación de métodos de machine learning para incorporarse en la industria petrolera.
Desde nuestro punto de vista se recomienda incorporar las técnicas de machine learning como herramientas habituales del ingeniero de yacimientos.
Todo es susceptible a mejorar y una de las formas de hacerlo es robustecer el algoritmo de machine learning al introducir un elemento importante que es la petrofísica.
Los Ingenieros Verónica Acevedo Alvarez y Humberto Ivan Santiago Reyes presentaron el trabajo en la reciente edición del Congreso Mexicano del Petróleo (CMP).
