Predicción de Producción de Fluidos empleando Machine Learning en T Inferior del Campo Sacha

Contenido principal del artículo

Adrian Israel Altamirano-Cárdenas
https://orcid.org/0000-0001-7302-1118
Fernando Andrés Lucero-Calvache
https://orcid.org/0000-0003-4424-2688

Resumen

El presente estudio tiene por objeto predecir la producción de fluidos de los pozos perforados durante el año 2021 en la arenisca T inferior en el campo Sacha. Se tomó en cuenta la información petrofísica y de fluidos para la construcción del modelo a partir de un pozo tipo mediante el software comercial el cual proporciona el análisis del comportamiento de pozos. Paralelamente mediante el lenguaje de programación Python a través de Machine Learning se desarrolló dos algoritmos: uno basado en los datos de presión de entrada (PIP) de la bomba electrosumergible (BES), y otro con datos PIP y salinidad del agua de formación del reservorio. La predicción de producción de fluidos respecto a la producción real obtuvo un error de 2% con el software comercial mientras que en las dos simulaciones a través de Python se obtuvo 10% y 0.5% de error respectivamente. Para el caso de la predicción de producción de gas el valor real es de 0.07 MMSCFD mientras que el obtenido mediante la simulación con el software comercial es de 0.41 MMSCFD. Para el caso de la primera y segunda simulación con Python se obtuvo una mejor aproximación de 0.11 MMSCFD y 0.10 MMSCFD respectivamente. El incremento de variables en Python permite la reducción del porcentaje de error e incrementa el ajuste de la predicción de producción de fluidos y gas, en este caso la PIP de la BES y salinidad de agua de formación.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Detalles del artículo

Cómo citar
Altamirano-Cárdenas, A. I. ., & Lucero-Calvache, F. A. (2023). Predicción de Producción de Fluidos empleando Machine Learning en T Inferior del Campo Sacha. FIGEMPA: Investigación Y Desarrollo, 16(2), 70–78. https://doi.org/10.29166/revfig.v16i2.4542
Sección
Artículos

Citas

Cass, S. (05 de Noviembre de 2019) IEEE Spectrum. Obtenido de IEEE Spectrum: https://spectrum.ieee.org/at-work/innovation/the-2018-top-programminglanguages.

Flores Urgilés, C. M. y Ortiz Amoroso, M. S. (2018) Revisión de algoritmos para la detección de valores atípicos. Killkana Técnica, 2(1), pp. 19–26. doi: 10.26871/killkana_tecnica.v2i1.287.

Hunter, J., & Dale, D. (05 de Nov de 2019) Matplotlib. Obtenido de Python plotting: https://matplotlib.org/.

Ibrahim, M., & Bilchick, K. (2021) Avanzado Método de aprendizaje automático para la predicción de la presión de cierre de la fractura, closureTime, permeabilidad y tiempo hasta regímenes de flujo tardío de DFIT. Unconventional resources technology conference.

Carrera Jácome, L. (2018) Analisis Nodal. Obtenido de https://es.scribd.com/document/393404481/Analisis-Nodal

Jami, O. (2019) Alternativas para optimizar el sistema Power Oil en la estación Shushuqui-. Quito.

MetaQuotes (04 de Noviembre de 2019) MetaQuotes. https://www.mql5.com/es/articles/497

Ministerio de Energía y Recursos Naturales no Renovables. (2019) Ministerio de Energía y Recursos Naturales no Renovables. Obtenido de Ministerio de Energía y Recursos Naturales no Renovables: https://www.recursosyenergia.gob.ec/

NumPy Community (05 de Noviembre de 2019) What is NumPy. https://numpy.org/doc/1.17/user/whatisnumpy.html.

PyData Development Team (05 de Noviembre de 2019) Package overview. https://pandas.pydata.org/pandas-docs/stable/.

Rahmanifard, H., & Plaksina, T. (2018) Application of artificial intelligence techniques in the petroleum industry: a review. USA.

Scikit-learn (09 de Noviembre de 2019) Scikit-Learm Machine Learning in Python. Obtenido de Scikit-Learm Machine Learning in Python: https://scikit-learn.org/stable/.

TensorFlow (2019 de Noviembre de 2019) Why TensorFlow. https://www.tensorflow.org/about.

Zhou, P. (2019) Production Data Analysis By Machine Learning.