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...
- 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
id |
UNIANDES2_8caeceb3511f4d456370d50dd46f9912 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/55777 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Generación de un modelo predictivo para eventos de pega de tubería en pozos de petróleo |
title |
Generación de un modelo predictivo para eventos de pega de tubería en pozos de petróleo |
spellingShingle |
Generación de un modelo predictivo para eventos de pega de tubería en pozos de petróleo Tuberías Pozos petroleros Ingeniería |
title_short |
Generación de un modelo predictivo para eventos de pega de tubería en pozos de petróleo |
title_full |
Generación de un modelo predictivo para eventos de pega de tubería en pozos de petróleo |
title_fullStr |
Generación de un modelo predictivo para eventos de pega de tubería en pozos de petróleo |
title_full_unstemmed |
Generación de un modelo predictivo para eventos de pega de tubería en pozos de petróleo |
title_sort |
Generación de un modelo predictivo para eventos de pega de tubería en pozos de petróleo |
dc.creator.fl_str_mv |
Ojeda Vargas, Diego Andrés |
dc.contributor.advisor.none.fl_str_mv |
Abrego Pérez, Adriana Lourdes Bernal Rueda, Astrid Johanna |
dc.contributor.author.spa.fl_str_mv |
Ojeda Vargas, Diego Andrés |
dc.contributor.jury.spa.fl_str_mv |
Torres Cadena, Gonzalo Bernal Rueda, Astrid Johanna |
dc.subject.keyword.none.fl_str_mv |
Tuberías Pozos petroleros |
topic |
Tuberías Pozos petroleros Ingeniería |
dc.subject.themes.none.fl_str_mv |
Ingeniería |
description |
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. |
publishDate |
2021 |
dc.date.issued.none.fl_str_mv |
2021 |
dc.date.accessioned.none.fl_str_mv |
2022-02-22T20:13:58Z |
dc.date.available.none.fl_str_mv |
2022-02-22T20:13:58Z |
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/1992/55777 |
dc.identifier.pdf.spa.fl_str_mv |
25402.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/1992/55777 |
identifier_str_mv |
25402.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 |
39 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/7d8eb728-d5e4-4db8-99e0-445408aad366/download https://repositorio.uniandes.edu.co/bitstreams/a03c86db-931e-4f4d-add2-afe10c417bd8/download https://repositorio.uniandes.edu.co/bitstreams/d4313762-2a09-49b2-85f6-6b40685e6676/download |
bitstream.checksum.fl_str_mv |
05a557b52d954ac4d444a075aea9c61d 8fce5bfb379afe1fa9e22215ef5a6dcd 013398e210d85f092fc609752b91d09f |
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_ |
1812133950713233408 |
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_abf2Abrego Pérez, Adriana Lourdesvirtual::9602-1Bernal Rueda, Astrid Johannavirtual::9603-1Ojeda Vargas, Diego Andrés712bbc0e-6686-4c7d-90e2-301e1aa73f10500Torres Cadena, GonzaloBernal Rueda, Astrid Johanna2022-02-22T20:13:58Z2022-02-22T20:13:58Z2021http://hdl.handle.net/1992/5577725402.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/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.Pipe sticking events in oil and gas wells are unwanted events that occur in 15% of wells drilled and generate 22% of unwanted events during drilling wells. The objective of this work is to generate a predictive model of these pipe sticking events and to find the relevant variables in the occurrence of these events. The first step is to process unstructured data (graph files in PDF format) containing information from the surface sensors, which are monitored during drilling wells. These files contain data 10 hours before the occurrence of the event, contemplating 16 pipe sticking events. A free software tool was used, which made it possible to obtain the values ??of the time series contained in the graphs in a structured way. The corresponding data cleaning was carried out and correlation analysis techniques were used to evaluate the variables with the greatest and least impact on the occurrence of pipe sticking events. Subsequently, three types of models were used: Machine Learning models with a supervised and unsupervised approach; and LSTM-like neural networks with a supervised approach. To evaluate these models, the Recall metric was selected, in order to minimize the number of false positives, which are the ones that have the greatest impact on the business. Finally, the three types of models are evaluated from two perspectives: the economic one, with the implications and costs of both false positives and false negatives of each type of model and it, is compared with the current cost situation; and the operational perspective, in terms of the lead time with which each of the models predicts the occurrence of pipe sticking events.Magíster en Inteligencia Analítica para la Toma de DecisionesMaestría39 páginasapplication/pdfspaUniversidad de los AndesMaestría en Inteligencia Analítica para la Toma de DecisionesFacultad de IngenieríaDepartamento de Ingeniería IndustrialGeneración de un modelo predictivo para eventos de pega de tubería en pozos de petróleoTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMTuberíasPozos petrolerosIngeniería201924250Publication068495cd-8500-4c41-8b33-f4ac1aab2efevirtual::9602-1c46fc11e-12c5-4b42-b2a9-d4d8089f6dabvirtual::9603-1068495cd-8500-4c41-8b33-f4ac1aab2efevirtual::9602-1c46fc11e-12c5-4b42-b2a9-d4d8089f6dabvirtual::9603-1THUMBNAIL25402.pdf.jpg25402.pdf.jpgIM Thumbnailimage/jpeg6753https://repositorio.uniandes.edu.co/bitstreams/7d8eb728-d5e4-4db8-99e0-445408aad366/download05a557b52d954ac4d444a075aea9c61dMD53TEXT25402.pdf.txt25402.pdf.txtExtracted texttext/plain49663https://repositorio.uniandes.edu.co/bitstreams/a03c86db-931e-4f4d-add2-afe10c417bd8/download8fce5bfb379afe1fa9e22215ef5a6dcdMD52ORIGINAL25402.pdfapplication/pdf2933393https://repositorio.uniandes.edu.co/bitstreams/d4313762-2a09-49b2-85f6-6b40685e6676/download013398e210d85f092fc609752b91d09fMD511992/55777oai:repositorio.uniandes.edu.co:1992/557772024-03-13 13:58:36.118https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |