Selección de métodos de recuperación mejorada de petróleo utilizando el algoritmo de machine-learning de los K vecinos más cercanos (KNN)
![Thumbnail](/bitstream/handle/10.18687/20200101_564/FP564.pdf.jpg?sequence=6&isAllowed=y)
View/ Open
Date
2020-07Author
Carrión - Maldonado, Freddy Paúl
Lligüizaca Dávila, Jorge Rodrigo
Perero Macías, Damián Leonardo
Metadata
Show full item recordAbstract
El proceso de selección para métodos de recuperación mejorada de petróleo, comúnmente conocidos como métodos EOR (Enhanced Oil Recovery), ha representado generalmente un gran desafío dentro de la industria del petróleo y gas, debido a que la evaluación realizada para la selección de estos depende de distintas características del reservorio y de aspectos económicos. Usualmente se ha implementado mediante el uso de tablas comparativas, en donde la aplicación de cada método de recuperación mejorada está determinada por rangos para parámetros de operación y características de los yacimientos. Sin embargo, la metodología de selección mencionada usando tablas, puede generar resultados con un grado de error considerable, debido al sesgo generado por su carácter cualitativo y su interpretación dependiente del criterio del profesional a cargo del proceso, por lo tanto, es pertinente buscar la implementación de técnicas modernas y de ser posible automatizadas para que se proporcionen mejores resultados.
Por consiguiente, el presente artículo se enfoca en demostrar la utilidad de una aplicación de la inteligencia artificial a través de uno de sus subcampos más utilizados como lo es el machine-learning, que en la actualidad se está implementando en varias industrias, incluida la del petróleo y gas. Esta es el algoritmo de los K vecinos más cercanos, uno de los algoritmos de machine-learning más utilizados, cuyo objetivo es predecir que método de recuperación mejorada es el más adecuado a implementar en un pozo de petróleo ubicado en la región amazónica del Ecuador, cuyo reservorio contiene crudo pesado. Cabe mencionar, que el algoritmo es entrenado con más de 200 proyectos de recuperación mejorada de varios países petroleros, en donde se toman en cuenta como parámetros de entrada o variables independientes siete parámetros de yacimientos para dicho entrenamiento, los cuales son porosidad, permeabilidad, profundidad, temperatura, gravedad API, viscosidad, y saturación de petróleo mientras que los parámetros de salida o variable dependiente del modelo son 5 métodos de recuperación mejorada, los cuales son inyección de vapor, inyección de CO2, inyección de hidrocarburos, inyección de polímeros y combustión in situ.
El algoritmo fue entrenado con éxito, debido a que sus métricas arrojaron valores aceptables, ya que su precisión fue de alrededor del 84%, la tasa de error igual a 0.052 y como resultado, predijo que el método EOR mas adecuado a implementar en el pozo de petróleo es el método de inyección de vapor.