Generación de un modelo predictivo para eventos de pega de tubería en pozos de petróleo

Los eventos de pega de tubería en pozos de petróleo y gas son situaciones no deseadas que ocurren en el 15% de los pozos perforados y generan el 22% de los eventos no deseados durante la perforación de pozos. El objetivo de este trabajo consiste generar un modelo predictivo de estos eventos de pega...

Full description

Autores:
Ojeda Vargas, Diego Andrés
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:1992/55777
Acceso en línea:
http://hdl.handle.net/1992/55777
Palabra clave:
Tuberías
Pozos petroleros
Ingeniería
Rights
openAccess
License
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
Description
Summary:Los eventos de pega de tubería en pozos de petróleo y gas son situaciones no deseadas que ocurren en el 15% de los pozos perforados y generan el 22% de los eventos no deseados durante la perforación de pozos. El objetivo de este trabajo consiste generar un modelo predictivo de estos eventos de pega de tubería y encontrar las variables relevantes en la ocurrencia de estos eventos. El primer paso consiste en procesar datos no estructurados (archivos de graficas en formato PDF) que contienen información de los sensores de superficie, los cuales se monitorean durante de perforación de pozos. Estos archivos contienen datos 10 horas antes de la ocurrencia del evento contemplando 16 evento de pega de tubería. Se usó una herramienta de software libre, la cual permitió obtener de forma estructurada los valores de las series de tiempo contenidas en las gráficas. Se realizó la limpieza de datos correspondiente y se utilizaron técnicas de análisis de correlaciones para evaluar las variables de mayor y menor impacto en la ocurrencia de eventos de pega de tubería. Posteriormente se usaron tres tipos de modelos: modelos de Machine Learning con enfoque supervisado y no supervisado; y redes neuronales tipo LSTM con enfoque supervisado. Para evaluar estos modelos se seleccionó la métrica Recall, con el fin de minimizar la cantidad de falsos positivos, que son los que tienen un mayor impacto en el negocio. Finalmente se evalúan los tres tipos de modelos desde dos perspectivas: la económica, con las implicaciones y los costos de, tanto falsos positivos como falsos negativos de cada tipo de modelo y se compara con la situación de costos actual; y la perspectiva operativa, en términos de tiempo de antelación con el cual cada uno de los modelos predice la ocurrencia de los eventos de pega de tubería.