La identificación de zonas de bajo rendimiento y pozos de relleno aplicando técnicas de inteligencia artificial.
Alrededor de un 70% del petróleo producido en la actualidad proviene de campos de más de 30 años de longevidad; en el caso de México de los más de 750 campos existentes, cerca de 485 pueden considerarse como maduros.
Aunque se trata de recursos conocidos situados en localizaciones conocidas, las cuencas maduras plantean grandes desafíos tecnológicos. En muchos casos estos desafíos se deben a la falta de datos que puedan ayudar en la correcta caracterización de los yacimientos.
Igualmente, el tipo de datos más común que se puede encontrar en muchos de los campos maduros son los datos de producción. Esto se debe al hecho de que generalmente estos datos se registran como una obligación regulatoria o porque se necesitan para realizar un análisis económico.
En la actualidad existen varios métodos y herramientas que nos permiten analizar los datos de producción, como pueden ser las curvas de declinación; sin embargo, cada uno de estos métodos tiene importantes deficiencias.
Entre las principales se encuentran que, debido a la naturaleza de los datos de producción su análisis es bastante subjetivo y generalmente estas técnicas abordan el análisis como pozos individuales y no como un campo o sistema conjunto.
Te puede interesar: Análisis geoestadístico “Fast-Track” en campos maduros
En esta investigación se buscó introducir una metodología que unifique los principales métodos de análisis de producción (curvas de declinación, curvas tipo y ajuste histórico); mientras se aborda el yacimiento o campo como un todo, esto para reducir la subjetividad inherente de estos métodos. Igualmente, que permita localizar las mejores ubicaciones para los pozos de relleno (infill) y las zonas subextraidas.
Los campos maduros en México se definen como aquellos campos que han alcanzado el pico máximo de su producción y empiezan su etapa de declinación. Su clasificación está relacionada a criterios volumétricos y económicos que dependen de la condición del campo, su límite de producción y su costo de rentabilidad.
Igualmente, el concepto de madurez es dinámico, es decir, puede ser temporal en función de las condiciones del mercado y nivel de costos de extracción y producción.
Uno de los problemas más importantes que dificultan el análisis de campos maduros es la falta de datos. El tipo de datos más común que se puede encontrar en muchos de estos campos son los datos de producción. Esto se debe al hecho de que generalmente estos datos se registran como una obligación regulatoria o porque se necesitan para realizar un análisis económico.
Asimismo, el análisis de las curvas de declinación es una técnica del análisis de las curvas de declinación. Se basa en el supuesto de que las tendencias de producción pasada y sus factores de control continuarán en el futuro: por lo tanto, pueden extrapolarse y describirse mediante una expresión matemática.
Sigue leyendo: Evaluación integral para reactivar un campo en la Faja de Oro Marina
El análisis inteligente de datos de producción es un proceso de dos pasos. En el primer componente, la idea es realizar simultánea, interactiva e iterativamente análisis de curva de declinación, ajuste de curva tipo y ajuste histórico. Se aplican en los datos de producción de un pozo particular del campo hasta que se logre la convergencia a un conjunto unificado de características de yacimiento.
El segundo componente, el reconocimiento de patrones difusos, está destinado a integrar la información mencionada anteriormente. En el contexto de todo el campo para ilustrar el estado del campo en cualquier momento en el futuro con el fin de identificar los pozos y las ubicaciones de bajo rendimiento para la perforación de pozos de relleno.
Durante es estudio se aprovechó un procedimiento interativo para unificar los principales métodos de análisis de producción (curvas de declinación, curvas tipo y ajuste histórico); mientras se abordó el yacimiento o campo como un todo para reducir la subjetividad inherente de estos métodos.
Te puede interesar: Análisis para incorporar recursos prospectivos en campos maduros
Al trabajar con las técnicas anteriores de forma simultánea e iterativa, surge un conjunto de características del yacimiento que satisface aproximadamente las coincidencias de producción.
En ausencia de estudios de caracterización de yacimientos, estas técnicas resuelven la subjetividad asociada a cada una de estas técnicas. Utiliza cada una de ellas como factor de control de las otras dos de forma iterativa.
Igualmente, los resultados obtenidos mediante este método asemejan mucho los resultados obtenidos mediante procesos más complejos que incluyen estudios de caracterización de yacimientos.
Una vez que se completa la coincidencia de datos de producción integrada y se identifican un conjunto de características del yacimiento. Es hora de producir algunos mapas que, en última instancia, ayudaran a los operadores a identificar los puntos interesantes en el campo.
Finalmente, esta técnica utiliza sistemas inteligentes como el reconocimiento de patrones difusos, redes neuronales y lógica difusa. Adicionalmente, tiene como fin descubrir patrones en los datos de producción. Igualmente, ayudar en la identificación de ubicaciones para perforaciones de relleno y pozos de bajo rendimiento.
El Ingeniero Horacio Maya Torres, del Instituto Politécnico Nacional, presentó el trabajo en la reciente edición del Congreso Mexicano del Petróleo (CMP).
