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 ex...
- Autores:
-
Lara Acosta, Giovanni Daniel
Lara Acosta, Fabian Camilo
Garzón Parra, Heidy Tatiana
- Tipo de recurso:
- 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
| id |
UNIANDES2_8b0e3680145d7301dd024dabcf858784 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/55755 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Aumento de la extracción de petróleo en el campo ocelote mediante metodologías de machine learning |
| title |
Aumento de la extracción de petróleo en el campo ocelote mediante metodologías de machine learning |
| spellingShingle |
Aumento de la extracción de petróleo en el campo ocelote mediante metodologías de machine learning Condiciones óptimas Drawdown Mapas de probabilidad Máquinas de soporte Modelos predictivos Pozos petrolíferos Smulación Vectorial Campos petrolíferos Aprendizaje automático (Inteligencia artificial) Administración |
| title_short |
Aumento de la extracción de petróleo en el campo ocelote mediante metodologías de machine learning |
| title_full |
Aumento de la extracción de petróleo en el campo ocelote mediante metodologías de machine learning |
| title_fullStr |
Aumento de la extracción de petróleo en el campo ocelote mediante metodologías de machine learning |
| title_full_unstemmed |
Aumento de la extracción de petróleo en el campo ocelote mediante metodologías de machine learning |
| title_sort |
Aumento de la extracción de petróleo en el campo ocelote mediante metodologías de machine learning |
| dc.creator.fl_str_mv |
Lara Acosta, Giovanni Daniel Lara Acosta, Fabian Camilo Garzón Parra, Heidy Tatiana |
| dc.contributor.advisor.spa.fl_str_mv |
Tabares Pozos, Alejandra |
| dc.contributor.author.spa.fl_str_mv |
Lara Acosta, Giovanni Daniel Lara Acosta, Fabian Camilo Garzón Parra, Heidy Tatiana |
| dc.contributor.jury.spa.fl_str_mv |
Suárez Bayona, Daniel Eduardo Castiblanco Ruiz, Fabian Alberto |
| dc.subject.keyword.none.fl_str_mv |
Condiciones óptimas Drawdown Mapas de probabilidad Máquinas de soporte Modelos predictivos Pozos petrolíferos Smulación Vectorial |
| topic |
Condiciones óptimas Drawdown Mapas de probabilidad Máquinas de soporte Modelos predictivos Pozos petrolíferos Smulación Vectorial Campos petrolíferos Aprendizaje automático (Inteligencia artificial) Administración |
| dc.subject.armarc.none.fl_str_mv |
Campos petrolíferos Aprendizaje automático (Inteligencia artificial) |
| dc.subject.themes.none.fl_str_mv |
Administración |
| description |
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. |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2022-02-22T20:13:01Z |
| dc.date.available.none.fl_str_mv |
2022-02-22T20:13:01Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/55755 |
| dc.identifier.pdf.spa.fl_str_mv |
25430.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/1992/55755 |
| identifier_str_mv |
25430.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| 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 |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
33 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.spa.fl_str_mv |
Maestría en Inteligencia Analítica para la Toma de Decisiones |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Ingeniería Industrial |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/32b60809-22a0-414e-847b-8e060b3c1852/download https://repositorio.uniandes.edu.co/bitstreams/d8b8d57d-61f3-4a11-926f-41d28e672a10/download https://repositorio.uniandes.edu.co/bitstreams/acdf73b1-f4a5-4d5f-a7a5-b82758a92c48/download |
| bitstream.checksum.fl_str_mv |
0210b6af7b1be1a49ed757ef4c9f4de4 cffc24b51e46f38ece14a61c802117a0 4f73a2eae4150618273e2a28f4b1d44e |
| 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_ |
1818112044197478400 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Tabares Pozos, Alejandra1967560f-a45f-4fc5-8d54-5aecefd7f903400Lara Acosta, Giovanni Daniela17ce42a-dca8-4ee3-b5a4-3407f2499eb7500Lara Acosta, Fabian Camilo3bc251f4-76f4-4ba2-9b02-b14598a39a25500Garzón Parra, Heidy Tatiana296acdb2-708e-4af5-b3d7-f3fc426d7f33500Suárez Bayona, Daniel EduardoCastiblanco Ruiz, Fabian Alberto2022-02-22T20:13:01Z2022-02-22T20:13:01Z2021http://hdl.handle.net/1992/5575525430.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/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.The Hocol oil field named Ocelote, currently has 103 active wells for the exploitation and production of oil barrels. The present work uses analytical techniques to identify which wells and the ideal drawdown application conditions to maximize the probability of an increase in the extraction rate of the company's wells. Therefore, the performance of 120 models were compared to identify potential factors that can positively influence well productivity, where the best performance was the one presented by the Support Vector Machine model. Then, a prescriptive model (simulation) was carried out, with beta distribution of 10,000 simulations for each well, varying the speed and magnitude of the drowdawn, that allowed to determine the optimal conditions of the change in the drawdown, using the real and practical variation of these two variables that are controlled by HOCOL in each of the 40 wells selected in the oil field. The results show that 52.5% of the wells analyzed may be intervened, which have a probability of being successful higher that 0.75.Magíster en Inteligencia Analítica para la Toma de DecisionesMaestría33 páginasapplication/pdfspaUniversidad de los AndesMaestría en Inteligencia Analítica para la Toma de DecisionesFacultad de IngenieríaDepartamento de Ingeniería IndustrialAumento de la extracción de petróleo en el campo ocelote mediante metodologías de machine learningTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMCondiciones óptimasDrawdownMapas de probabilidadMáquinas de soporteModelos predictivosPozos petrolíferosSmulaciónVectorialCampos petrolíferosAprendizaje automático (Inteligencia artificial)Administración201920339PublicationTEXT25430.pdf.txt25430.pdf.txtExtracted texttext/plain65247https://repositorio.uniandes.edu.co/bitstreams/32b60809-22a0-414e-847b-8e060b3c1852/download0210b6af7b1be1a49ed757ef4c9f4de4MD52THUMBNAIL25430.pdf.jpg25430.pdf.jpgIM Thumbnailimage/jpeg9266https://repositorio.uniandes.edu.co/bitstreams/d8b8d57d-61f3-4a11-926f-41d28e672a10/downloadcffc24b51e46f38ece14a61c802117a0MD53ORIGINAL25430.pdfapplication/pdf1014425https://repositorio.uniandes.edu.co/bitstreams/acdf73b1-f4a5-4d5f-a7a5-b82758a92c48/download4f73a2eae4150618273e2a28f4b1d44eMD511992/55755oai:repositorio.uniandes.edu.co:1992/557552023-10-10 19:32:47.237https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |