Implementación de modelos proxy que representen el proceso de inyección de agua como método de recobro mejorado para predecir la producción de crudo y agua de un campo petrolero con base a las variables operacionales de los pozos productores e inyectores

Proxy models are used as an alternative to predict oil and water production in an oil field and to replace the use of reservoir simulation softwares. In this paper, a methodology for the construction and validation of proxy models to predict oil and water production of an oil field was proposed. Thi...

Full description

Autores:
Suárez Malagón, Mario Daniel
Aguilera Ruiz, Valentina
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2021
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/51672
Acceso en línea:
http://hdl.handle.net/1992/51672
Palabra clave:
Ingeniería de yacimientos petrolíferos
Inyección de agua en campos petrolíferos
Pozos petroleros-Investigaciones
Industria del petróleo
Ingeniería de petróleos
Campos petrolíferos
Ingeniería
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id UNIANDES2_2f0aec158ca1c1b97c148fb6802e2cff
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/51672
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
dc.title.spa.fl_str_mv Implementación de modelos proxy que representen el proceso de inyección de agua como método de recobro mejorado para predecir la producción de crudo y agua de un campo petrolero con base a las variables operacionales de los pozos productores e inyectores
title Implementación de modelos proxy que representen el proceso de inyección de agua como método de recobro mejorado para predecir la producción de crudo y agua de un campo petrolero con base a las variables operacionales de los pozos productores e inyectores
spellingShingle Implementación de modelos proxy que representen el proceso de inyección de agua como método de recobro mejorado para predecir la producción de crudo y agua de un campo petrolero con base a las variables operacionales de los pozos productores e inyectores
Ingeniería de yacimientos petrolíferos
Inyección de agua en campos petrolíferos
Pozos petroleros-Investigaciones
Industria del petróleo
Ingeniería de petróleos
Campos petrolíferos
Ingeniería
title_short Implementación de modelos proxy que representen el proceso de inyección de agua como método de recobro mejorado para predecir la producción de crudo y agua de un campo petrolero con base a las variables operacionales de los pozos productores e inyectores
title_full Implementación de modelos proxy que representen el proceso de inyección de agua como método de recobro mejorado para predecir la producción de crudo y agua de un campo petrolero con base a las variables operacionales de los pozos productores e inyectores
title_fullStr Implementación de modelos proxy que representen el proceso de inyección de agua como método de recobro mejorado para predecir la producción de crudo y agua de un campo petrolero con base a las variables operacionales de los pozos productores e inyectores
title_full_unstemmed Implementación de modelos proxy que representen el proceso de inyección de agua como método de recobro mejorado para predecir la producción de crudo y agua de un campo petrolero con base a las variables operacionales de los pozos productores e inyectores
title_sort Implementación de modelos proxy que representen el proceso de inyección de agua como método de recobro mejorado para predecir la producción de crudo y agua de un campo petrolero con base a las variables operacionales de los pozos productores e inyectores
dc.creator.fl_str_mv Suárez Malagón, Mario Daniel
Aguilera Ruiz, Valentina
dc.contributor.advisor.none.fl_str_mv Gómez Ramírez, Jorge Mario
dc.contributor.author.none.fl_str_mv Suárez Malagón, Mario Daniel
Aguilera Ruiz, Valentina
dc.contributor.jury.none.fl_str_mv Rodríguez Castelblanco, Astrid Xiomara
Ramírez Arias, Andrés Felipe
Ríos Ratkovich, Nicolás
dc.subject.armarc.spa.fl_str_mv Ingeniería de yacimientos petrolíferos
Inyección de agua en campos petrolíferos
Pozos petroleros-Investigaciones
Industria del petróleo
Ingeniería de petróleos
Campos petrolíferos
topic Ingeniería de yacimientos petrolíferos
Inyección de agua en campos petrolíferos
Pozos petroleros-Investigaciones
Industria del petróleo
Ingeniería de petróleos
Campos petrolíferos
Ingeniería
dc.subject.themes.none.fl_str_mv Ingeniería
description Proxy models are used as an alternative to predict oil and water production in an oil field and to replace the use of reservoir simulation softwares. In this paper, a methodology for the construction and validation of proxy models to predict oil and water production of an oil field was proposed. This methodology is summarized in four main steps: select relevant operational variables and analyze their significance, recollect proxy model training data, proxy model construction, and proxy model validation. This methodology was applied to a particular study case: a section of the Matanegra block located in the oil field Caño Limón. In this case, historical production data was not available, so a section of the Matanegra block was simulated in IMEX in order to recreate historical data that reflect reality. Two different approaches were evaluated in the proxy model construction. In the first approach the operational variables were constant over time and there were two response variables: total oil production and total water production. In the second approach the operational variables change every month and there were two response variables: monthly oil production and monthly water production. This second approach is innovative, as it allows to evaluate how monthly oil production is affected when changing operational variables each month. In each approach, 3 types of proxy models were created for each response variable: polynomial quadratic with interactions, polynomial quadratic without interactions and MARS (Multivariable Adaptive Regression). This results in 6 models per approach for a total of 12 proxy models. For both approaches, the model with the highest predictive power was polynomial quadratic without interactions, followed by MARS and finally, polynomial quadratic with interactions.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-08-10T18:37:46Z
dc.date.available.none.fl_str_mv 2021-08-10T18:37:46Z
dc.date.issued.none.fl_str_mv 2021
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/1992/51672
dc.identifier.pdf.none.fl_str_mv 22694.pdf
dc.identifier.instname.spa.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.spa.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/51672
identifier_str_mv 22694.pdf
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.none.fl_str_mv 37 hojas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de los Andes
dc.publisher.program.none.fl_str_mv Ingeniería Química
Ingeniería Industrial
dc.publisher.faculty.none.fl_str_mv Facultad de Ingeniería
dc.publisher.department.none.fl_str_mv Departamento de Ingeniería Química
Departamento de Ingeniería Industrial
publisher.none.fl_str_mv Universidad de los Andes
institution Universidad de los Andes
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/17b6f758-d0da-4a15-a20b-4ac82262063e/download
https://repositorio.uniandes.edu.co/bitstreams/38343f45-28fa-40b8-8ba3-2477e10bd0f7/download
https://repositorio.uniandes.edu.co/bitstreams/0497c5ee-c934-4109-afe7-209688ca0314/download
bitstream.checksum.fl_str_mv ae76ee5379b7c1b540735529dcad7bdc
156fe456fa98ca29f2656a30ddad9ea2
0b52b9b28bc5ee75d1a0126513f69f18
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812133921076281344
spelling Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Gómez Ramírez, Jorge Mariovirtual::7777-1Suárez Malagón, Mario Danielc89e1e4f-d8ff-47e6-a00a-9cb65c6bd3a3500Aguilera Ruiz, Valentina435351f8-b3f5-47c1-b78b-9922f68351cf500Rodríguez Castelblanco, Astrid XiomaraRamírez Arias, Andrés FelipeRíos Ratkovich, Nicolás2021-08-10T18:37:46Z2021-08-10T18:37:46Z2021http://hdl.handle.net/1992/5167222694.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Proxy models are used as an alternative to predict oil and water production in an oil field and to replace the use of reservoir simulation softwares. In this paper, a methodology for the construction and validation of proxy models to predict oil and water production of an oil field was proposed. This methodology is summarized in four main steps: select relevant operational variables and analyze their significance, recollect proxy model training data, proxy model construction, and proxy model validation. This methodology was applied to a particular study case: a section of the Matanegra block located in the oil field Caño Limón. In this case, historical production data was not available, so a section of the Matanegra block was simulated in IMEX in order to recreate historical data that reflect reality. Two different approaches were evaluated in the proxy model construction. In the first approach the operational variables were constant over time and there were two response variables: total oil production and total water production. In the second approach the operational variables change every month and there were two response variables: monthly oil production and monthly water production. This second approach is innovative, as it allows to evaluate how monthly oil production is affected when changing operational variables each month. In each approach, 3 types of proxy models were created for each response variable: polynomial quadratic with interactions, polynomial quadratic without interactions and MARS (Multivariable Adaptive Regression). This results in 6 models per approach for a total of 12 proxy models. For both approaches, the model with the highest predictive power was polynomial quadratic without interactions, followed by MARS and finally, polynomial quadratic with interactions.Los modelos proxy son utilizados como una alternativa para predecir la producción de crudo y agua en un campo petrolero y para reemplazar el uso de softwares especializados de simulación. En este estudio se propuso una metodología para la construcción y validación de modelos proxy para la predicción de agua y crudo de un campo petrolero. La metodología se resume en cuatro pasos principales: seleccionar variables operacionales de interés y analizar su significancia, recolectar datos de entrenamiento del modelo, construcción de los modelos proxy y finalmente, validar los modelos. Esta metodología se aplicó a un caso de estudio particular: una sección del bloque Matanegra que forma parte del campo Caño Limón. En este caso no se contaron con datos históricos de producción, por lo cual se simuló una sección del bloque Matanegra en IMEX para así recrear los datos históricos que representan la realidad. Se evaluaron dos enfoques diferentes para la construcción de los modelos proxy. En el primer enfoque las variables operacionales se mantienen constantes a lo largo del tiempo y las 2 variables de respuesta son: producción total de agua o crudo. En el segundo enfoque las variables operacionales varían cada mes y las 2 variables de respuesta son: producción mensual de crudo o agua. Este último enfoque es novedoso pues permite evaluar como la producción mensual de un campo petrolero se ve afectada al variar las condiciones operacionales mes a mes. En cada enfoque se crean 3 tipos de modelos proxy para cada variable de respuesta: polinomial cuadrático con interacciones, polinomial cuadrático sin interacciones y MARS (Multivariate Adaptive Regression). Esto resulta en 6 modelos por enfoque para un total de 12 modelos proxy. Para ambos enfoques el modelo con mayor poder predictivo fue el polinomial cuadrático sin interacciones, seguido de MARS y finalmente, el polinomial cuadrático con interacciones.Ingeniero QuímicoIngeniero IndustrialPregrado37 hojasapplication/pdfspaUniversidad de los AndesIngeniería QuímicaIngeniería IndustrialFacultad de IngenieríaDepartamento de Ingeniería QuímicaDepartamento de Ingeniería IndustrialImplementación de modelos proxy que representen el proceso de inyección de agua como método de recobro mejorado para predecir la producción de crudo y agua de un campo petrolero con base a las variables operacionales de los pozos productores e inyectoresTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPIngeniería de yacimientos petrolíferosInyección de agua en campos petrolíferosPozos petroleros-InvestigacionesIndustria del petróleoIngeniería de petróleosCampos petrolíferosIngeniería201532361Publicationhttps://scholar.google.es/citations?user=FGBxCvcAAAAJvirtual::7777-10000-0002-2018-4121virtual::7777-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000870382virtual::7777-14f5a1a48-528f-4b59-83ce-a5d765ad0163virtual::7777-14f5a1a48-528f-4b59-83ce-a5d765ad0163virtual::7777-1THUMBNAIL22694.pdf.jpg22694.pdf.jpgIM Thumbnailimage/jpeg22725https://repositorio.uniandes.edu.co/bitstreams/17b6f758-d0da-4a15-a20b-4ac82262063e/downloadae76ee5379b7c1b540735529dcad7bdcMD55TEXT22694.pdf.txt22694.pdf.txtExtracted texttext/plain75797https://repositorio.uniandes.edu.co/bitstreams/38343f45-28fa-40b8-8ba3-2477e10bd0f7/download156fe456fa98ca29f2656a30ddad9ea2MD54ORIGINAL22694.pdfapplication/pdf906479https://repositorio.uniandes.edu.co/bitstreams/0497c5ee-c934-4109-afe7-209688ca0314/download0b52b9b28bc5ee75d1a0126513f69f18MD511992/51672oai:repositorio.uniandes.edu.co:1992/516722024-03-13 13:30:58.051http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co