Aplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible
La explotación y producción de crudo en los campos petroleros en Colombia presenta varios retos, entre estos, la confiabilidad en la medición de los fluidos producidos y la capacidad de respuesta frente a caídas de producción. La determinación del volumen de fluido que es desplazado por un equipo de...
- Autores:
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad del Rosario
- Repositorio:
- Repositorio EdocUR - U. Rosario
- Idioma:
- spa
- OAI Identifier:
- oai:repository.urosario.edu.co:10336/38271
- Acceso en línea:
- https://doi.org/10.48713/10336_38271
https://repository.urosario.edu.co/handle/10336/38271
- Palabra clave:
- Bomba BES
Modelo SVM
Producción de crudo
Pronóstico de producción
Modelo de regresión
ESP Pump
SVM Model
Oil production
Production forecast
Regression model
- Rights
- License
- Attribution-NonCommercial-NoDerivatives 4.0 International
| id |
EDOCUR2_d67c1a6814642ccb6e2884ce9942cdd4 |
|---|---|
| oai_identifier_str |
oai:repository.urosario.edu.co:10336/38271 |
| network_acronym_str |
EDOCUR2 |
| network_name_str |
Repositorio EdocUR - U. Rosario |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Aplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible |
| dc.title.TranslatedTitle.none.fl_str_mv |
Application of support vector machines for the prediction of the volume of fluid displaced by a electrical submersible pump |
| title |
Aplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible |
| spellingShingle |
Aplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible Bomba BES Modelo SVM Producción de crudo Pronóstico de producción Modelo de regresión ESP Pump SVM Model Oil production Production forecast Regression model |
| title_short |
Aplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible |
| title_full |
Aplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible |
| title_fullStr |
Aplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible |
| title_full_unstemmed |
Aplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible |
| title_sort |
Aplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible |
| dc.contributor.advisor.none.fl_str_mv |
Andrade Lotero, Édgar José Caicedo, Alexander |
| dc.subject.none.fl_str_mv |
Bomba BES Modelo SVM Producción de crudo Pronóstico de producción Modelo de regresión |
| topic |
Bomba BES Modelo SVM Producción de crudo Pronóstico de producción Modelo de regresión ESP Pump SVM Model Oil production Production forecast Regression model |
| dc.subject.keyword.none.fl_str_mv |
ESP Pump SVM Model Oil production Production forecast Regression model |
| description |
La explotación y producción de crudo en los campos petroleros en Colombia presenta varios retos, entre estos, la confiabilidad en la medición de los fluidos producidos y la capacidad de respuesta frente a caídas de producción. La determinación del volumen de fluido que es desplazado por un equipo de levantamiento artificial (Bomba BES) es fundamental para realizar un control de producción adecuado. Ya que, con estos valores es posible proyectar la producción diaria del campo e identificar pérdidas de eficiencia en los equipos de levantamiento artificial, lo cual tiene asociada una caída de la producción debido a que llegan menos volúmenes de crudo y agua a las estaciones de recolección y tratamiento, y un incumplimiento con el pronóstico de producción del día. Con el desarrollo de este proyecto es posible estimar el volumen de fluido que aporta o desplaza un equipo BES en función a sus variables y condiciones operativas. El modelo de aprendizaje de máquina entrenado corresponde a máquinas de soporte vectorial (SVM) y puede ser usado en sistemas multifásicos agua-crudo con poca producción de gas. Para el entrenamiento del modelo se tuvo en cuenta los registros de los 11 sensores instalados en los equipos BES tanto en fondo como en superficie, y se lograron resultados confiables para aquellos que desplazan fluidos con poca o nula presencia de gas. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-03-24T21:19:10Z |
| dc.date.available.none.fl_str_mv |
2023-03-24T21:19:10Z |
| dc.date.created.none.fl_str_mv |
2023-01-10 |
| dc.type.none.fl_str_mv |
bachelorThesis |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.document.none.fl_str_mv |
Trabajo de grado |
| dc.type.spa.none.fl_str_mv |
Trabajo de grado |
| dc.identifier.doi.none.fl_str_mv |
https://doi.org/10.48713/10336_38271 |
| dc.identifier.uri.none.fl_str_mv |
https://repository.urosario.edu.co/handle/10336/38271 |
| url |
https://doi.org/10.48713/10336_38271 https://repository.urosario.edu.co/handle/10336/38271 |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.rights.*.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.acceso.none.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International Abierto (Texto Completo) http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| dc.format.extent.none.fl_str_mv |
29 pp |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad del Rosario |
| dc.publisher.department.spa.fl_str_mv |
Escuela de Ingeniería, Ciencia y Tecnología |
| dc.publisher.program.spa.fl_str_mv |
Maestría en Matemáticas Aplicadas y Ciencias de la Computación |
| institution |
Universidad del Rosario |
| dc.source.bibliographicCitation.none.fl_str_mv |
A. Géron, «Chapter 5. Support Vector Machines», en Hands-On Machine Learning with Scikit-Learn and TensorFlow, O’Reilly Media, Inc., 2017. A. Sheikhoushaghi, N. Y. Gharaei, y A. Nikoofard, «Application of Rough Neural Network to forecast oil production rate of an oil field in a comparative study», J. Pet. Sci. Eng., vol. 209, p. 109935, feb. 2022, doi: 10.1016/j.petrol.2021.109935. A. F. Ibrahim, R. Al-Dhaif, S. Elkatatny, y D. A. Shehri, «Applications of Artificial Intelligence to Predict Oil Rate for High Gas–Oil Ratio and Water-Cut Wells», ACS Omega, vol. 6, n.o 30, pp. 19484-19493, ago. 2021, doi: 10.1021/acsomega.1c01676 N. A. Sami, «Application of machine learning algorithms to predict tubing pressure in intermittent gas lift wells», Pet. Res., vol. 7, n.o 2, pp. 246-252, jun. 2022, doi: 10.1016/j.ptlrs.2021.09.006. M. Crnogorac, M. Tanasijević, D. Danilović, V. Karović Maričić, y B. Leković, «Selection of Artificial Lift Methods: A Brief Review and New Model Based on Fuzzy Logic», Energies, vol. 13, n.o 7, p. 1758, abr. 2020, doi: 10.3390/en13071758. J. D. WOODS y J. F. LEA, What’s new in artificial lift?, vol. 238, n.o 6. 2017. Accedido: 21 de noviembre de 2022. [En línea]. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=bth&AN=128780082&site=eds-live T. Ganat, «Reliability Analysis of Multiphase Flow Measurements in Different Oil Fields», OIL GAS-Eur. Mag., 2016. A. Kamari, A. Bahadori, y A. H. Mohammadi, «An Efficient Approach for the Determination of Oil Production Rate During the Water-flooding Recovery Method», Pet. Sci. Technol., vol. 33, n.o 11, pp. 1208-1214, jun. 2015, doi: 10.1080/10916466.2015.1057595. Y. Ning, H. Kazemi, y P. Tahmasebi, «A comparative machine learning study for time series oil production forecasting: ARIMA, LSTM, and Prophet», Comput. Geosci., vol. 164, p. 105126, jul. 2022, doi: 10.1016/j.cageo.2022.105126. R. Simanjuntak y D. Irawan, «Applying Artificial Neural Network and XGBoost to Improve Data Analytics in Oil and Gas Industry», Indones. J. Energy, vol. 4, n.o 1, pp. 26-35, feb. 2021, doi: 10.33116/ije.v4i1.103 |
| dc.source.instname.none.fl_str_mv |
instname:Universidad del Rosario |
| dc.source.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional EdocUR |
| bitstream.url.fl_str_mv |
https://repository.urosario.edu.co/bitstreams/25c17df0-6e4c-461e-a2be-78264b0caea7/download https://repository.urosario.edu.co/bitstreams/2028e361-c370-47df-bdae-4af737e9610f/download https://repository.urosario.edu.co/bitstreams/241f88e5-8d00-411e-abb7-3e68a64aeefa/download https://repository.urosario.edu.co/bitstreams/5318ddc6-33fa-42e9-9a61-c6ce0bb493b3/download https://repository.urosario.edu.co/bitstreams/c7bd924e-bc81-4929-af71-55106028989a/download |
| bitstream.checksum.fl_str_mv |
ec6090655e1b5c571e25fd0bdad3b8c8 b2825df9f458e9d5d96ee8b7cd74fde6 3b6ce8e9e36c89875e8cf39962fe8920 1be74f92b9c9854d2bd80e4ae72e45fc 99223f33159d19a6fc0c5de11f259f6e |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional EdocUR |
| repository.mail.fl_str_mv |
edocur@urosario.edu.co |
| _version_ |
1814167649152663552 |
| spelling |
Andrade Lotero, Édgar José95ab7599-4981-49d0-a5f4-110463e87e54Caicedo, Alexanderd5d8b83a-b05d-45f6-a683-03e0c7090331-1Murcia Navas, Jose AlbertoMagíster en Matemáticas Aplicadas y Ciencias de la ComputaciónFull time5727ec6b-be85-4706-be8f-14e9d22a1996-12023-03-24T21:19:10Z2023-03-24T21:19:10Z2023-01-10La explotación y producción de crudo en los campos petroleros en Colombia presenta varios retos, entre estos, la confiabilidad en la medición de los fluidos producidos y la capacidad de respuesta frente a caídas de producción. La determinación del volumen de fluido que es desplazado por un equipo de levantamiento artificial (Bomba BES) es fundamental para realizar un control de producción adecuado. Ya que, con estos valores es posible proyectar la producción diaria del campo e identificar pérdidas de eficiencia en los equipos de levantamiento artificial, lo cual tiene asociada una caída de la producción debido a que llegan menos volúmenes de crudo y agua a las estaciones de recolección y tratamiento, y un incumplimiento con el pronóstico de producción del día. Con el desarrollo de este proyecto es posible estimar el volumen de fluido que aporta o desplaza un equipo BES en función a sus variables y condiciones operativas. El modelo de aprendizaje de máquina entrenado corresponde a máquinas de soporte vectorial (SVM) y puede ser usado en sistemas multifásicos agua-crudo con poca producción de gas. Para el entrenamiento del modelo se tuvo en cuenta los registros de los 11 sensores instalados en los equipos BES tanto en fondo como en superficie, y se lograron resultados confiables para aquellos que desplazan fluidos con poca o nula presencia de gas.The exploitation and production of crude oil in the oil fields in Colombia present several challenges, among them, the reliability in the measurement of the fluids produced and the capacity to respond to production drops. The determination of the volume of fluid that is displaced by artificial lift equipment (BES pump) is essential to carry out adequate production control. With these values, it is possible to project the daily production of the field and identify efficiency losses in the artificial lift equipment, which is associated with a drop in production since fewer volumes of crude oil and water arrive at the collection stations and treatment, and a non-compliance with the day's production forecast. With the development of this project, it is possible to estimate the volume of fluid that a BES unit contributes or displaces based on its variables and operating conditions. The trained machine learning model corresponds to support vector machines (SVM) and can be used in multiphase oil-water systems with little gas production. For the training of the model, the records of the 11 sensors installed in the BES equipment both on the bottom and on the surface were considered, and reliable results were achieved for those that displace fluids with little or no presence of gas.29 ppapplication/pdfhttps://doi.org/10.48713/10336_38271 https://repository.urosario.edu.co/handle/10336/38271spaUniversidad del RosarioEscuela de Ingeniería, Ciencia y TecnologíaMaestría en Matemáticas Aplicadas y Ciencias de la ComputaciónAttribution-NonCommercial-NoDerivatives 4.0 InternationalAbierto (Texto Completo)http://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2A. Géron, «Chapter 5. Support Vector Machines», en Hands-On Machine Learning with Scikit-Learn and TensorFlow, O’Reilly Media, Inc., 2017.A. Sheikhoushaghi, N. Y. Gharaei, y A. Nikoofard, «Application of Rough Neural Network to forecast oil production rate of an oil field in a comparative study», J. Pet. Sci. Eng., vol. 209, p. 109935, feb. 2022, doi: 10.1016/j.petrol.2021.109935.A. F. Ibrahim, R. Al-Dhaif, S. Elkatatny, y D. A. Shehri, «Applications of Artificial Intelligence to Predict Oil Rate for High Gas–Oil Ratio and Water-Cut Wells», ACS Omega, vol. 6, n.o 30, pp. 19484-19493, ago. 2021, doi: 10.1021/acsomega.1c01676N. A. Sami, «Application of machine learning algorithms to predict tubing pressure in intermittent gas lift wells», Pet. Res., vol. 7, n.o 2, pp. 246-252, jun. 2022, doi: 10.1016/j.ptlrs.2021.09.006.M. Crnogorac, M. Tanasijević, D. Danilović, V. Karović Maričić, y B. Leković, «Selection of Artificial Lift Methods: A Brief Review and New Model Based on Fuzzy Logic», Energies, vol. 13, n.o 7, p. 1758, abr. 2020, doi: 10.3390/en13071758.J. D. WOODS y J. F. LEA, What’s new in artificial lift?, vol. 238, n.o 6. 2017. Accedido: 21 de noviembre de 2022. [En línea]. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=bth&AN=128780082&site=eds-liveT. Ganat, «Reliability Analysis of Multiphase Flow Measurements in Different Oil Fields», OIL GAS-Eur. Mag., 2016.A. Kamari, A. Bahadori, y A. H. Mohammadi, «An Efficient Approach for the Determination of Oil Production Rate During the Water-flooding Recovery Method», Pet. Sci. Technol., vol. 33, n.o 11, pp. 1208-1214, jun. 2015, doi: 10.1080/10916466.2015.1057595.Y. Ning, H. Kazemi, y P. Tahmasebi, «A comparative machine learning study for time series oil production forecasting: ARIMA, LSTM, and Prophet», Comput. Geosci., vol. 164, p. 105126, jul. 2022, doi: 10.1016/j.cageo.2022.105126.R. Simanjuntak y D. Irawan, «Applying Artificial Neural Network and XGBoost to Improve Data Analytics in Oil and Gas Industry», Indones. J. Energy, vol. 4, n.o 1, pp. 26-35, feb. 2021, doi: 10.33116/ije.v4i1.103instname:Universidad del Rosarioreponame:Repositorio Institucional EdocURBomba BESModelo SVMProducción de crudoPronóstico de producciónModelo de regresiónESP PumpSVM ModelOil productionProduction forecastRegression modelAplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergibleApplication of support vector machines for the prediction of the volume of fluid displaced by a electrical submersible pumpbachelorThesisTrabajo de gradoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de Ingeniería, Ciencia y TecnologíaORIGINALAPLICACION- DE-SVM-PARA-LA-PREDICCION-DEL-VOLUMEN-DE-FLUIDO-DESPLAZADO-POR-UNA-BOMBA-ELECTROSUMERGIBLE.pdfAPLICACION- DE-SVM-PARA-LA-PREDICCION-DEL-VOLUMEN-DE-FLUIDO-DESPLAZADO-POR-UNA-BOMBA-ELECTROSUMERGIBLE.pdfapplication/pdf612928https://repository.urosario.edu.co/bitstreams/25c17df0-6e4c-461e-a2be-78264b0caea7/downloadec6090655e1b5c571e25fd0bdad3b8c8MD51LICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/2028e361-c370-47df-bdae-4af737e9610f/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://repository.urosario.edu.co/bitstreams/241f88e5-8d00-411e-abb7-3e68a64aeefa/download3b6ce8e9e36c89875e8cf39962fe8920MD53TEXTAPLICACION- DE-SVM-PARA-LA-PREDICCION-DEL-VOLUMEN-DE-FLUIDO-DESPLAZADO-POR-UNA-BOMBA-ELECTROSUMERGIBLE.pdf.txtAPLICACION- DE-SVM-PARA-LA-PREDICCION-DEL-VOLUMEN-DE-FLUIDO-DESPLAZADO-POR-UNA-BOMBA-ELECTROSUMERGIBLE.pdf.txtExtracted texttext/plain35205https://repository.urosario.edu.co/bitstreams/5318ddc6-33fa-42e9-9a61-c6ce0bb493b3/download1be74f92b9c9854d2bd80e4ae72e45fcMD54THUMBNAILAPLICACION- DE-SVM-PARA-LA-PREDICCION-DEL-VOLUMEN-DE-FLUIDO-DESPLAZADO-POR-UNA-BOMBA-ELECTROSUMERGIBLE.pdf.jpgAPLICACION- DE-SVM-PARA-LA-PREDICCION-DEL-VOLUMEN-DE-FLUIDO-DESPLAZADO-POR-UNA-BOMBA-ELECTROSUMERGIBLE.pdf.jpgGenerated Thumbnailimage/jpeg3317https://repository.urosario.edu.co/bitstreams/c7bd924e-bc81-4929-af71-55106028989a/download99223f33159d19a6fc0c5de11f259f6eMD5510336/38271oai:repository.urosario.edu.co:10336/382712024-08-23 09:24:56.438http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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 |