Aumento de la extracción de petróleo en el campo ocelote mediante metodologías de machine learning

El Campo Ocelote de Hocol S.A actualmente cuenta con 103 pozos activos para la explotación y producción de petróleo. El presente trabajo usa técnicas analíticas para identificar a qué pozos y las condiciones ideales de aplicación del drawdown que maximizan la probabilidad de aumento en la tasa de extracción de los pozos de la compañía. Fueron comparados 120 modelos predictivos con el objetivo de identificar potenciales factores que pueden influir positivamente en la productividad del pozo, en donde el mejor rendimiento fue el presentado por el modelo Support Vector Machine. Luego, se efectuó un modelo prescriptivo (simulación) con distribución beta de 10.000 simulaciones para cada pozo, variando la velocidad y magnitud del drawdown, que permitió determinar las condiciones óptimas del cambio en el drawdown, mediante la variación real y práctica de estas dos variables que se encuentran bajo el control de Hocol en 40 pozos seleccionados del yacimiento. Los resultados muestran que se deberían intervenir el 52,5% de los pozos analizados, los cuales tienen una probabilidad de tener éxito superior al 0.75.

• Autores: Lara Acosta, Giovanni Daniel; Lara Acosta, Fabian Camilo; Garzón Parra, Heidy Tatiana
• Fecha de publicación: 2021
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/55755
• Acceso en línea: http://hdl.handle.net/1992/55755
• Palabra clave: Condiciones óptimas; Drawdown; Mapas de probabilidad; Máquinas de soporte; Modelos predictivos; Pozos petrolíferos; Smulación; Vectorial; Campos petrolíferos; Aprendizaje automático (Inteligencia artificial); Administración
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf