El objetivo principal de este artículo es desarrollar modelos predictivos utilizando técnicas de Machine Learning y redes neuronales para estimar la Presión de Fondo en un pozo petrolero (Pwf) a partir de diversas variables relacionadas.
Se explorarán diferentes enfoques, desde métodos tradicionales como Regresión Lineal y sus variantes regularizadas (Ridge, Lasso, ElasticNet). Incluyendo, Decision Trees, Random Forest y Gradient Boosting, hasta técnicas más avanzadas como XGBoost y Redes Neuronales LSTM.
El artículo abordará la importancia de la selección de variables y la exploración de correlaciones para construir modelos eficientes. Además, se explicará la aplicación de técnicas de regularización para evitar el sobreajuste y mejorar la generalización de los modelos.
Se destacará la necesidad de obtener más datos de entrenamiento y, en su ausencia, la importancia de implementar estrategias de regularización. Igualmente, se presentarán detalles sobre la implementación práctica de cada modelo, su ajuste y evaluación. Se discutirán los desafíos específicos del problema y se proporcionarán recomendaciones para optimizar el rendimiento de los modelos.
El artículo concluirá con una comparación de los diferentes enfoques y sus respectivas fortalezas. Brindando a los lectores una comprensión completa de las estrategias efectivas para predecir la Presión de Fondo en pozos petroleros.
Te puede interesar: Diseño de Aplicación Digital para diagnóstico remoto de pozos con bombeo mecánico
La presión de fondo fluyente (Pwf) es una medida importante del rendimiento de un pozo petrolero. Asimismo, la Pwf afecta la cantidad de fluido que se puede producir de un pozo y la tasa a la que se puede producir. La Pwf se puede calcular utilizando una variedad de métodos, incluyendo métodos tradicionales, como el método de la columna hidrostática o diferentes métodos de afluencia, y métodos más recientes. Como el uso de modelos de Machine Learning.
Los métodos tradicionales tienen la ventaja de ser relativamente sencillos de usar y comparado con los métodos recientes, requieren poca información. Sin embargo, son menos precisos que los métodos más avanzados.
En un estudio reciente, Spesivtsev et al. (2018) desarrollaron un modelo basado en aprendizaje automático para predecir la Pwf. El modelo demostró una mejora significativa en la precisión en comparación con el método IPR, especialmente para pozos con características complejas. Los métodos basados en Machine Learning tienen la ventaja de poder aprender de los datos históricos y utilizar esta información para mejorar las predicciones. Sin embargo, son más complejos de usar y requieren más información.
El estudio de Sami y Ibrahim (2021) extendió este trabajo al caso de la predicción de la Pwf multifásica en pozos petroleros verticales. Los autores utilizaron tres técnicas de aprendizaje automático: árboles de decisión, Random Forest y XGBoost. Asimismo, los resultados mostraron que XGBoost fue el método más preciso, superando en un 15% la precisión del método IPR y las correlaciones multifásicas.
Conclusiones
La presión de fondo es un parámetro muy importante que debe calcularse para la ingeniería de yacimientos como para la producción. En el ámbito petrolero se depende de correlaciones empíricas y/o matemáticas para calcularla, pero se depende de suposiciones que reducen la precisión de las correlaciones. Tecnologías como la Inteligencia artificial han demostrado mejorar la precisión de los procesos, de acuerdo con los modelos.
- Para los diferentes tipos de Regresiones de acuerdo con la tabla 6 y tabla 7 se observaron diferencias notables entre los modelos evaluados con Validación Hold-Out y Time Series Split. Además, la validación Times series Split no mejoro el desempeño sino ocurrió lo contrario. La Regresión Lasso mostro consistentemente buenos resultados en ambas validaciones, con valores de MAE, MSE y R2 bastante bajos. Regresión Lineal y Regresión Ridge muestran un rendimiento razonable, aunque hay una variación en los resultados entre las dos validaciones. Para ElasticNet, los resultados son diferentes entre las dos validaciones. Este modelo parece verse más afectado por la elección del método de validación.
- Al aplicar la Validación Times Series Split a los modelos de Decision Tree, Random Forest, Gradient Boosting,XGBoost se destaca que redujeron su desempeño. Por lo cual no se tomaron en cuenta como buenos modelos. En cambio de acuerdo a la tabla 8 con la validación Hold out se tuvo un buen rendimiento a la hora de hacer predicciones con los datos de prueba.
- La evaluación de la red neuronal basada en métricas de la tabla 9 y 10 revela que un modelo sin regularización presenta un rendimiento destacado. Sin embargo, al implementar la técnica de Dropout, se observa una significativa disminución en el desempeño. Manifestándose en un aumento del Error Absoluto Medio (MAE) y una disminución en la capacidad para explicar la variabilidad en los datos (R2 más bajo). Es plausible que la configuración específica de Dropout necesite ajustes para optimizar el rendimiento del modelo.
Red Neuronal LSTM Machine Learning
- Como tarea de autoaprendizaje se evaluó la Red Neuronal LSTM con datos del pozo 5351 y de acuerdo con la tabla 10. Se observa que la cantidad de datos desempeña un papel crucial en la eficacia del modelo. Por ejemplo, la Red Neuronal aplicada al pozo 7078, que tenía una cantidad limitada de datos, mostró un rendimiento inferior en comparación con el pozo 5351, que contaba con un conjunto más extenso de datos y como resultado, experimentó mejoras en sus métricas. En general, se observa que la Regresión Lasso en las dos validaciones, así como XGboost y la Red Neuronal LSTM. Son modelos destacados en términos de precisión y capacidad de generalización. Sin embargo, se recomienda explorar estrategias adicionales de optimización y ajuste de parámetros para mejorar aún más el rendimiento de los modelos.
- Como un área de mejora continua para optimizar la precisión en la predicción de la presión de fondo del pozo. Se plantea la incorporación de modelos basados en la atención llamados Transformers el cual ha tenido éxito en diversos dominios.
Los Ingenieros Carlos Daniel Ojeda Moreno, Gerardo Cantera Martínez, Héctor Erick Gallardo Ferrera y Alejandro Primera Navarro presentaron el trabajo en la reciente edición del Congreso Mexicano del Petróleo (CMP).
