Upload
ituriel-barrera-dardon
View
220
Download
0
Embed Size (px)
Citation preview
8/11/2019 124195
1/165
METODOLOGA PARA LA PREDICCIN DE CURVAS DE DECLINACINDE POZOS DE PETRLEO, APLICANDO REDES NEURONALES
ARTIFICIALES
EMILIO JUSTINIANO CARCAMO TROCONISGUIDO JOS POLO NULE
UNIVERSIDAD INDUSTRIAL DE SANTANDERFACULTAD DE INGENIERAS FSICO MECNICAS
ESCUELA DE INGENIERA DE SISTEMAS E INFORMTICABUCARAMANGA
2007
8/11/2019 124195
2/165
METODOLOGA PARA LA PREDICCIN DE CURVAS DE DECLINACINDE POZOS DE PETRLEO, APLICANDO REDES NEURONALES
ARTIFICIALES
EMILIO JUSTINIANO CARCAMO TROCONISGUIDO JOS POLO NULE
Trabajo de grado presentado para optar el ttulo deIngeniero de Sistemas.
Director:ING. JUAN CARLOS REYES FIGUEROA
Profesor Escuela de Ingeniera de Sistemas, UIS
Codirector:M.E. FERNANDO RUIZ DAZ
Profesor Escuela de Ingeniera de Sistemas, UIS
UNIVERSIDAD INDUSTRIAL DE SANTANDERFACULTAD DE INGENIERAS FSICO MECNICAS
ESCUELA DE INGENIERA DE SISTEMAS E INFORMTICABUCARAMANGA
2007
8/11/2019 124195
3/165
8/11/2019 124195
4/165
8/11/2019 124195
5/165
8/11/2019 124195
6/165
A Fanny , mi mamA Guido, mi pap en lo alto
Dayana y Mara T, sstole y distole de mi corazn
GUIDO
8/11/2019 124195
7/165
AGRADECIMIENTOS
Los autores expresan sus agradecimientos a:
Todas aquellas personas que hicieron posible la realizacin de este proyecto.
MSc FERNANDO CALVETE, por sus consejos y aportes al proyecto.
Dayana Sarmiento por su colaboracin
A todos nuestros amigos, que nos soportaron durante el paso por la
universidad, y que incondicionalmente brindaron su confianza, apoyo y
honestidad.
A NUESTRAS FAMILIAS, por su paciencia y apoyo incondicional.
8/11/2019 124195
8/165
TABLA DE CONTENIDO
PG.
CAPITULO 1 20
INTRODUCCIN 20
1.1 CONTEXTO GENERAL 22
1.1.1 DEFINICIN DEL PROBLEMA 22
1.1.2 OBJETIVOS 24
1.1.3 JUSTIFICACIN 25
CAPITULO 2 26
MARCO TERICO 26
2.1 REDES NEURONALES ARTIFICIALES 26
2.1.1 Panorama Histrico 27
2.1.2 Ventajas de las RNA 28
2.1.3 Fundamentos de las RNA 29
2.1.4 Algoritmo Backpropagation 37
2.2 CURVAS DE DECLINACIN 42
2.2.1 Introduccin 42
2.2.2 Estado del Arte 44
2.2.3 Fundamento Matemtico 51
2.3 MECANISMOS DE PRODUCCIN DEL PETRLEO 56
2.3.1 Bombeo Mecnico 57
2.3.2 Bombeo neumtico 57
2.3.3 Bombeo Hidrulico 58
2.3.4 Bombeo Electro-Centrfugo o Electro-Sumergido 59
8/11/2019 124195
9/165
CAPITULO 3 61
PROCESO DE IDENTIFICACIN DEL MODELO 61
3.1 SELECCIN DE LAS VARIABLES 62
3.1.1 Lnea mensual de tiempo 62
3.1.2 Produccin de petrleo 63
3.1.3 Das de produccin de cada mes 65
3.1.4 Tipo de bombeo 66
3.2 PREPROCESAMIENTO DE LA INFORMACIN 683.2.1 Transformacin de Variables Nominales a Numricas 70
3.2.2 Filtrado 70
3.2.3 Normalizacin 71
3.3 ARQUITECTURA DE RED 73
3.3.1 Redes de Base Radial (RBF) 73
3.3.2 Sistemas Neuro-Borrosos 74
3.3.3 Perceptrn Multicapa 76
3.4 DIMENSIONAMIENTO DE LA RED 77
3.5 FUNCION DE ACTIVACIN 83
3.6 ALGORITMO DE ENTRENAMIENTO 84
3.7 INICIALIZACIN DE PESOS 86
3.8 RESULTADOS DEL ENTRENAMIENTO 88
CAPITULO 4 91
METODOLOGA DE DESARROLLO 91
4.1 RECOPILACIN DE NECESIDADES 91
4.2 ANLISIS 92
4.3 DISEO 92
4.4 DESARROLLO 93
8/11/2019 124195
10/165
4.5 HERRAMIENTA DE DESARROLLO 93
4.6 APLICACIN DE LA METODOLOGA 954.6.1 Prototipo 1 95
4.6.2 Prototipo 2 97
4.6.3 Prototipo 3 98
4.7 DIAGRAMAS UML 99
4.7.1 Diagrama de Casos de Uso 99
4.7.2 Diagramas de Clases 104
4.7.3 Diagrama de Secuencias 109
CAPITULO 5 113
ANLISIS DE RESULTADOS 113
5.1 POZO 1 114
5.2 POZO 2 117
5.3 POZO 3 119
5.4 POZO 4 122
5.5 POZO 5 124
5.6 POZO 6 127
5.7 POZO 7 129
5.9 OBSERVACIONES 132
5.10 CASO DE ESTUDIO, POZO 8 132
5.10.1 Curvas De Declinacin 132
5.10.2 Produccin Acumulada 136
5.10.3 Tasa de declinacin 136
5.10.4 Lmite Econmico 139
5.11 VERIFICACION DE LA HERRAMIENTA 141
6. CONCLUSIONES 145
8/11/2019 124195
11/165
7. RECOMENDACIONES 147
8. BIBLIOGRAFIA 148
9. ANEXO A: MANUAL DE USUARIO 152
9.1 INTRODUCCION 152
9.2 Carga de datos. 152
9.3 Entrenamiento. 155
9.4 Simulacin 157
9.5 Presentacin de resultados 158
9.5.1 Curvas De Declinacin 160
9.5.2 Produccin Acumulada 161
9.5.3 Tasa De Declinacin 161
9.5.4 Limite Econmico 162
ANEXO B: DATOS DE PRODUCCIN DEL POZO DE PRUEBA 164
8/11/2019 124195
12/165
LISTA DE FIGURAS
PG.
Figura 1. Del modelo biolgico al modelo artificial 30
Figura 2 Estructura de una Red Neuronal 35
Figura 3 Clasificacin de los tipos de redes 36
Figura 4. Definicin de tasa de declinacin - grfico lineal 52
Figura 5. Bombeo mecnico 57Figura 6 Bombeo neumtico 58
Figura 7. Bombeo Hidrulico 58
Figura 8. Bombeo Electro-Centrfugo 59
Figura 9. Simulacin del Modelo 1 64
Figura 10. Simulacin del Modelo 2 66
Figura 11. Simulacin del Modelo 3 68
Figura 12. Esquema del preprocesamiento de la informacin 69
Figura 13. Diagrama de flujo del filtrado de datos 72
Figura 14. Simulacin y validacin utilizando RBF 75
Figura 15. Simulacin y validacin utilizando ANFIS 76
Figura 16. Modelo de red con las variables de entrada y salida 83
Figura 17. Resultados del entrenamiento 89
Figura 18. Diagrama de casos de uso 104
Figura 19. Diagrama de Clases 104
Figura 20. Diagrama de secuencias: Cargar datos, entrenar y simular
la RNA 109
Figura 21. Diagrama de secuencias: Curva de declinacin 110
Figura 22. Diagrama de secuencias: Produccin acumulada 111
Figura 23. Diagrama de secuencias: Tasa de declinacin 111
Figura 24. Diagrama de secuencias: Anlisis Econmico 112
Figura 25. Pozo 1: Comparacin entre las tcnicas clsicas y la
produccin original 115
8/11/2019 124195
13/165
Figura 26. Pozo 1: Comparacin entre DECLINET y la produccin original 115
Figura 27. Pozo 1: Comparacin entre las tcnicas clsicas y laproduccin acumulada original 116
Figura 28. Pozo 1: Comparacin entre DECLINET y la produccin
acumulada original 116
Figura 29. Pozo 2: Comparacin entre las tcnicas clsicas y la
produccin original 117
Figura 30. Pozo 2: Comparacin entre DECLINET y la produccin original 118
Figura 31. Pozo 2: Comparacin entre las tcnicas clsicas y la
produccin acumulada original 118
Figura 32. Pozo 2: Comparacin entre DECLINET y la produccin acumulada
original 119
Figura 33. Pozo 3: Comparacin entre las tcnicas clsicas y la
produccin original 120
Figura 34. Pozo 3: Comparacin entre DECLINET y la produccin original 120
Figura 35. Pozo 3: Comparacin entre las tcnicas clsicas y la
produccin acumulada original 121
Figura 36. Pozo 3: Comparacin entre DECLINET y la produccin
acumulada original 121
Figura 37. Pozo 4: Comparacin entre las tcnicas clsicas y la
produccin original 122
Figura 38. Pozo 4: Comparacin entre DECLINET y la produccin original 123
Figura 39. Pozo 4: Comparacin entre las tcnicas clsicas y la
produccin acumulada original 123
Figura 40. Pozo 4: Comparacin entre DECLINET y la produccin
acumulada original 124
Figura 41. Pozo 5: Comparacin entre las tcnicas clsicas y la
produccin original 125
Figura 42 . Pozo 5: Comparacin entre DECLINET y la produccin original 125
Figura 43. Pozo 5: Comparacin entre las tcnicas clsicas y la
produccin acumulada original 126
8/11/2019 124195
14/165
Figura 44. Pozo 5: Comparacin entre DECLINET y la produccin
acumulada original 126Figura 45. Pozo 6: Comparacin entre las tcnicas clsicas y la
produccin original 127
Figura 46. Pozo 6: Comparacin entre DECLINET y la produccin original 128
Figura 47. Pozo 6: Comparacin entre las tcnicas clsicas y la
produccin acumulada original 128
Figura 48. Pozo 6: Comparacin entre DECLINET y la produccin
acumulada original 129
Figura 49. Pozo 7: Comparacin entre las tcnicas clsicas y la
produccin original 130
Figura 50. Pozo 7: Comparacin entre DECLINET y la produccin original 130
Figura 51. Pozo 7: Comparacin entre las tcnicas clsicas y la
produccin acumulada original 131
Figura 52. Pozo 7: Comparacin entre DECLINET y la produccin
acumulada original 131
Figura 53. Pozo ejemplo: Produccin original 133
Figura 54. Pozo ejemplo: Comparacin entre DECLINET y la produccin
original en escala mensual 135
Figura 55. Pozo ejemplo: Comparacin entre DECLINET y la produccin
original en escala diaria 135
Figura 56. Pozo ejemplo: Comparacin entre DECLINET y la produccin
acumulada original 136
Figura 57. Tasa de declinacin generada por DECLINET, para una
periodicidad de 24 meses 138
Figura 58. Tasa de declinacin generada por DECLINET, para una
periodicidad de 60 meses 138
Figura 59. Pozo ejemplo: calculo del lmite econmico, caso 1 140
Figura 60 Pozo ejemplo: calculo del lmite econmico, caso 2 141
Figura 61. Distribucin de pesos y ganancias en el modelo de red
propuesto 141
8/11/2019 124195
15/165
Figura 62. Simulacin de la RNA en matlab, dado un conjunto de pesos
iniciales 143Figura 63. Simulacin de la RNA en DECLINET, dado un conjunto de
pesos iniciales 144
Figura 64. Formato de archivo en Excel 153
Figura 65. DECLINET 1.0: Formas de seleccionar el pozo a estudiar 153
Figura 66. DECLINET 1.0: Abrir archivos de alimentacin 154
Figura 67. DECLINET 1.0: Datos del pozo escogido 154
Figura 68. DECLINET 1.0: Seleccin de parmetros de entrenamiento 155
Figura 69. DECLINET 1.0: Resultados del entrenamiento 156
Figura 70. DECLINET 1.0: Seleccin de los parmetros de simulacin 157
Figura 71. DECLINET 1.0: Resultados de la simulacin 158
Figura 72. DECLINET 1.0: Presentacin grafica de resultados 159
Figura 73. DECLINET 1.0: Comparacin grfica entre la curva de
produccin real y la simulada 160
Figura 74. DECLINET 1.0: Comparacin grafica entre la produccin
acumulada real y la simulada 161
Figura 75. DECLINET 1.0: Grfica de la tasa de declinacin con
periodicidad de 24 meses 161
Figura 76. DECLINET 1.0: Grfica de la tasa de declinacin con
periodicidad de 60 meses 162
Figura 77. DECLINET 1.0: Presentacin grafica y detallada de el
calculo del limite econmico 163
8/11/2019 124195
16/165
LISTA DE TABLAS
PG.
Tabla 1 Principales Funciones de Transferencia. 33
Tabla 2. Errores de entrenamiento y validacin para el Modelo 1 63
Tabla 3. Entradas y salidas de la red neuronal al Modelo 1 64
Tabla 4. Errores de entrenamiento y validacin para el Modelo 2 65Tabla 5. Entradas y salidas de la red neuronal Modelo 2 65
Tabla 6. Errores de entrenamiento y validacin para el Modelo 3 67
Tabla 7. Entradas y salidas de la red neuronal Modelo 3 67
Tabla 8. Transformacin de variables nominales a numricas 70
Tabla 9. Errores de entrenamiento y validacin para la red RBF 74
Tabla 10. Errores de entrenamiento y validacin para ANFIS 75
Tabla 11. Errores de entrenamiento y tiempo consumido para redes de 1capa oculta 79
Tabla 12. Errores de validacin para redes de 1 capa oculta 79
Tabla 13. Errores de entrenamiento y tiempo consumido para redes de 2
capas ocultas 80
Tabla 14. Errores de validacin para redes de 2 capas ocultas 81
Tabla 15. Tiempo consumido en pruebas para configuraciones de 1 y 2
capas ocultas 82
Tabla 16. Prueba para nmero de capas segn error cuadrtico medio 82
Tabla 17. Parmetros ms importantes de las redes entrenadas 83
Tabla 18. Tiempo requerido en pruebas para configuraciones de 1 y 2
capas ocultas 85
Tabla 19. Parmetros de las redes para las pruebas de desempeo 86
Tabla 20. Errores de entrenamiento para la configuracin definitiva de la red 90
Tabla 21. Casos de uso: Cargar informacin 99
8/11/2019 124195
17/165
Tabla 22. Casos de uso: Entrenar RNA 100
Tabla 23. Casos de uso: Simular RNA 101Tabla 24. Casos de uso: Produccin acumulada 102
Tabla 25. Casos de uso: Tasa de declinacin 103
Tabla 26. Casos de uso: Anlisis econmico 103
Tabla 27. Miembros principales de la clase cCapa 105
Tabla 28. Miembros principales de la clase cDatos 106
Tabla 29. Mtodos principales de la clase cDatos 106
Tabla 30. Miembros principales de la clase cRed 107
Tabla 31. Mtodos principales de la clase cRed 107
Tabla 32. Miembros principales de la clase cGrfica 108
Tabla 33. Mtodos principales de la clase cGraficas 109
Tabla 34. Error absoluto promedio y tasa de ajuste de cada mtodo
para el pozo 1 114
Tabla 35. Error absoluto promedio y tasa de ajuste de cada mtodo
para el pozo 2 117
Tabla 36. Error absoluto promedio y tasa de ajuste de cada mtodo
para el pozo 3 119
Tabla 37. Error absoluto promedio y tasa de ajuste de cada mtodo
para el pozo 4 122
Tabla 38. Error absoluto promedio y tasa de ajuste de cada mtodo
para el pozo 5 124
Tabla 39. Error absoluto promedio y tasa de ajuste de cada mtodo
para el pozo 6 127
Tabla 40. Error absoluto promedio y tasa de ajuste de cada mtodo
para el pozo 7 129
Tabla 41. Codificacin de los tipos de bombeo 152
Tabla 42. Datos de produccin del pozo de prueba 164
8/11/2019 124195
18/165
TITULO: METODOLOGA PARA LA PREDICCIN DE CURVAS DE DECLINACIN DEPOZOS DE PETRLEO, APLICANDO REDES NEURONALES ARTIFICIALES*
AUTOR(ES): CARCAMO TROCONIS, EMILIO JUSTINIANO**GUIDO JOS POLO NULE**
PALABRAS CLAVES: REDES NEURONALES ARTIFICIALES, CURVAS DE DECLINACIN,PREDICCIN DE LA PRODUCCIN DE PETRLEO.
DESCRIPCION
En este trabajo, se desarrolla una herramienta software que aborda el anlisis de curvas dedeclinacin de pozos de petrleo, basndose en redes neuronales, con el objetivo de mejorarla precisin en los resultados, respecto a otros mtodos.
Para la construccin del modelo neuronal se utilizaron los registros histricos de produccin decada pozo, para alimentarlo durante las fases de entrenamiento y simulacin. Para estepropsito se emple una configuracin de red neuronal tipo perceptrn multicapa, conbackpropagation como algoritmo de aprendizaje. Los resultados obtenidos son comparadoscontra los modelos representativos para la prediccin de la produccin: exponencial, armnicoe hiperblico, que son los ms utilizados por los ingenieros de produccin.
La herramienta desarrollada permite hacer una prediccin ms cercana a los datos reales,incluso en aquellos casos donde se realizan operaciones de mantenimiento o mejoramiento dela produccin, como los cambios de bombeo, y surge como alternativa de solucin ante losmtodos tradicionales.
En este trabajo se evidenci que de un buen anlisis, del correcto planteamiento y de eficientestcnicas de preprocesamiento de datos, depende el xito del modelo neuronal, aunque muchasveces contar con un buen modelo no siempre es garanta para obtener buenos resultados enla prediccin de la produccin; pues las condiciones de operacin de pozos depende en granmedida de las decisiones tomadas por los ingenieros de produccin; es por esto que laaplicacin no podra predecir y ajustarse a malos procedimientos que conlleven a un bajorendimiento del pozo o a un dao irreparable.
*Trabajo de Grado**Facultad de Ingeniera Fsico - Mecnicas, Escuela de Ingeniera de Sistemas e Informtica, ing Juan Carlos ReyesFigueroa
8/11/2019 124195
19/165
TITLE: METHODOLOGY FOR THE PREDICTION OF DECLINE CURVES USING ARTIFICIALNEURAL NETWORKS *
AUTHOR(S): CARCAMO TROCONIS, EMILIO JUSTINIANO**POLO NULE, GUIDO JOS **
KEY WORDS: ARTIFICIAL NEURAL NERTWORKS, DECLINE CURVES ANALYSIS,PREDICTION OF THE OIL PRODUCTION.
ABSTRACT
This work concerns the development of a software package for the decline curves analysis in oilwells. The software is based in neural network algorithms for they provide a larger accuracy
when compared with other available methods.
The model used to train the neural network was built from a historical compilation of the oil wellproduction reports. The neural network was configured with a multilayer perceptron.Backpropagation was used as the learning algorithm. In order to compare the quality of thepredictions obtained with the proposed model the predicted results from classical productionmodels, such as exponential, harmonic and hyperbolic ones, were considered.
The software developed allows a more accurate prediction of real data, being capable toprovide reasonable estimates in cases were maintenance operations, or productionimprovements such as pumping changes occur. Therefore, the software constitutes a realimprovement for this field of knowledge respecting classical prediction methods.
In this work was evident that a good analysis, the correct approach and efficient techniques ofdata processing, depends on the success of neural model, although often have a good model isnot always collateral to obtain good results in the prediction of production; because theoperation conditions of wells depends largely on the decisions taken by the productionsengineers; is why the application could not predict and conform to ill procedures that leading toa low performance of the pit or to irreparable harm.
*Work of degree.**
Faculty of Physical-Mechanics Engineerings, Systems and Informatic Engineering, Ing. Juan Carlos Reyes Figueroa
8/11/2019 124195
20/165
CAPITULO 1
INTRODUCCIN
La importancia de la industria del petrleo en trminos econmicos, sociales y
ambientales; la diversidad y complejidad de sus procesos; las acciones y
polticas gubernamentales, directamente, relacionadas con la produccin de
crudo; constituyen elementos fundamentales que dan lugar a un interesantecampo para la investigacin y al desarrollo tecnolgico.
Debido a la naturaleza de los yacimientos petroleros, donde la materia prima se
extrae de las profundidades, el grado de incertidumbre presente en las
mediciones, los procesos y las actividades, es elevado. Por ello, con frecuencia
se acude a tcnicas basadas tanto en modelos estadsticos como en modelos
empricos; con el fin de obtener mayor nivel precisin en la representacin delos fenmenos.
El factor ms importante en el sector petrolero y que se presume, como el
objeto de la mayor parte de las investigaciones, es la produccin de crudo, que
en ltimas representa el objetivo principal de este tipo de industria; dicha
produccin presenta una tendencia descendente a lo largo de la vida del pozo,
motivo que obliga el conocimiento de las razones que inciden en la tasa dedisminucin, con el fin de obtener un estimativo de la produccin futura y
establecer en que punto se hace necesaria la implementacin de tcnicas de
recobro para mejorar el volumen de produccin.
Una de las tcnicas utilizadas hoy para la prediccin de la produccin de
petrleo es el anlisis de curvas de declinacin pero, debido a su carcter
esttico, distan notoriamente del comportamiento real. Debido a lo anterior, el
20
8/11/2019 124195
21/165
propsito de este proyecto es plantear una alternativa que brinde resultados
ms precisos, mediante la implementacin de una herramienta computacional,
basada en Redes Neuronales Artificiales.
21
8/11/2019 124195
22/165
1.1 CONTEXTO GENERAL
1.1.1 DEFINICIN DEL PROBLEMA
El petrleo, desde su descubrimiento en 1859 como fuente de energa, se ha
convertido en una pieza fundamental para el desarrollo de la humanidad.
Segn la Teora del pico de Gubert, para el 2007 se ha predicho un declive en
la produccin petrolera, por esta razn se hace necesaria la optimizacin de los
procesos de perforacin, extraccin, transporte y refinamiento. Para lograr este
propsito se integraron mltiples disciplinas, en las que se encuentra La
Ingeniera de Sistemas, que colabora con la elaboracin de software, entre los
que sobresalen los de simulacin que permiten un mayor aprovechamiento de
los recursos, basados en las propiedades de los yacimientos.
La mayora de los campos maduros de petrleo en la actualidad, que han
producido crudo durante varios aos, comenzaron su produccin en un tiempo
donde la caracterizacin de yacimientos1 no era una prioridad, de ah la
carencia de datos del mismo. Para revitalizar esos campos, en un tiempodonde el precio de los hidrocarburos es alto, era necesaria la implementacin
de nuevas tcnicas, que ayudaran a mejorar la produccin del campo o
encontrar nuevos lugares con una potencial produccin econmica.
Es entonces cuando surge el anlisis de las curvas de declinacin como el
primer paso de un proceso denominado "produccin inteligente de anlisis de
datos" (IPDA)2
, donde se analiza La tasa de produccin de crudo en funcin deltiempo, con el fin de evaluar el comportamiento predictivo de pozos y
yacimientos. Cuando no existen cambios mayores en los procedimientos de
operacin del campo, las curvas de declinacin muestran una tendencia
1Caracterizacin de yacimientos: Es el proceso de medicin de los parmetros de un yacimiento, como laextensin de rea, porosidad, permeabilidad, entre otros.
2 S.D. Mohaghegh, R. Gaskari. And Jalali, West Virginia U: A New Method for Production Data AnalysisTo Identify New Opportunities in Mature Fields, Methodology and Application, Paper SPE 98010,
(September / 2005)
22
8/11/2019 124195
23/165
descendente por perodos extendidos; esto permite la extrapolacin de la
curva, con el fin de efectuar pronsticos de produccin e identificar en que
punto es alcanzado el lmite econmico.
Varios mtodos pueden ser usados para estimar las reservas y predecir la
produccin en los yacimientos, las tcnicas de simulacin numrica facilitan
dicha prediccin, pero tambin pueden fallar por la gran incertidumbre y
complejidad de los datos caractersticos de los yacimientos.
Otro mtodo utilizado, frecuentemente, es el anlisis de curvas de declinacin,
sin embargo, los modelos existentes de dicho mtodo son heursticos y sebasan en las ecuaciones empricas de Arps: exponencial, hiperblica y
armnica, estas ecuaciones presentan inconvenientes como: la curva de
declinacin exponencial tiende a subestimar las reservas y las tasas de
produccin y la armnica tiene la tendencia de sobreestimar el rendimiento del
yacimiento.
Lo anterior incentiv la bsqueda de soluciones que implementaran nuevasreas de conocimiento como la Inteligencia Artificial, que permite generar
diagnsticos y predicciones con resultados cercanos a la realidad ante
situaciones con alto grado de incertidumbre, comunes en la industria petrolera.
23
8/11/2019 124195
24/165
1.1.2 OBJETIVOS
1.1.2.1 Objetivo General
Desarrollar una herramienta computacional basada en Redes Neuronales
Artificiales para el anlisis de curvas de declinacin de pozos de petrleo.
1.1.2.2 Objetivos Especficos
i. Realizar el estado del arte sobre los modelos utilizados para la
prediccin de curvas de declinacin de pozos petroleros.
ii. Disear, construir y documentar los componentes del softwarecon la notacin estndar de UML y la metodologa de prototipado.
iii. Desarrollar una herramienta computacional, basada en Redes
Neuronales Artificiales, que permita:
Construir la curva de declinacin de un pozo petrolero.
Determinar la tasa de declinacin de un pozo petrolero.
Predecir el comportamiento futuro de la produccin del pozo.
iv. Validar la aplicacin desarrollada contra tcnicas clsicas
utilizadas como: la declinacin armnica, hiperblica, y exponencial,
empleando datos de campo presentes en la literatura.
24
8/11/2019 124195
25/165
8/11/2019 124195
26/165
CAPITULO 2
MARCO TERICO
El fundamento terico incluye la conceptualizacin necesaria para el desarrollo
del presente trabajo de investigacin. Incluye conceptos bsicos de las Redes
Neuronales Artificiales y curvas de declinacin de petrleo.
2.1 REDES NEURONALES ARTIFICIALES
Los fundamentos y principios bsicos de las redes neuronales artificiales (RNA)
as como sus distintos modelos, que se han ido desarrollando a lo largo de su
historia, surgen a partir del estudio del cerebro humano y del deseo de imitar su
estructura y su comportamiento a travs de la computacin. Lo que se trata de
conseguir es simular, a travs de un ordenador, las facultades de pensamiento
y raciocinio del cerebro en la resolucin de problemas habituales relacionadoscon el reconocimiento de formas o patrones, prediccin, clasificacin y
optimizacin, entre otros.
Sus mltiples aplicaciones y su probada eficacia para el tratamiento de grandes
cantidades de informacin, han llevado a las RNA a convertirse en objeto de
estudio de diversas disciplinas. Su capacidad de aprendizaje y generalizacin a
partir de la experiencia asimilada a lo largo de su proceso de entrenamiento,
les permite resolver problemas complicados para otras tcnicas ms
convencionales, bien porque dichos problemas no poseen un algoritmo
especfico para su solucin, o los existentes son complejos. Su habilidad para
detectar y extraer patrones de comportamiento al presentar a la RNA
determinadas series de datos, las convierte en una herramienta de prediccin
aplicable a cualquier campo.
26
8/11/2019 124195
27/165
2.1.1 Panorama Histrico
La investigacin de las RNA se remonta a los trabajos realizados por
McCulloch y Pitts3
, quienes en 1943, desarrollaron el primer modelo artificial,que consista en un conjunto de neuronas que posean dos estados discretos;
tenan la limitacin de que slo permitan computar funcionesbooleanas.
En 1957, Rosenblatt4, publica los resultados de un ambicioso proyecto de
investigacin, denominado el Perceptrn, prob que dada clases linealmente
separables, un perceptrn podra, en un nmero finito de ensayos de
entrenamiento, desarrollar un modelo de clasificacin. Aproximadamente parala misma poca, Widrow5 desarroll una red similar, llamada adaline
(Adaptative Linear Neuron), ste modelo se us en la vida cotidiana como
filtros adaptativos para eliminar ecos en las lneas telefnicas con resultados
extraordinarios.
En 1969, Minskey y Paper6sealaron que el teorema del Perceptrn se aplica
a problemas de naturaleza lineal, pero que los clculos elementales de
problemas como un XOR, no pueden ser resueltos por capas simples de
perceptrones.
Rosenblatt tambin estudi estructuras con ms capas y crey que podran
superar las limitaciones de los perceptrones simples, Sin embargo, ningn
algoritmo de aprendizaje conocido poda determinar los pesos necesarios para
implementar un clculo dado; Minskey y Papert dudaron que se pudiera
encontrar uno y recomendaron que otros modelos de inteligencia artificial
3 McCulloch, WS and Pitts, W: A Logical Calculus of Ideas Immanent in Nervous Activity. , Bull.Mathematical Biophysics (1943) 5,15
4Rosenblatt, F: The Perceptrn: Probabilistic Model for Information Storage an Organization in the brain,Psychol. Rev. (1958) 65, 386
5Widrow, B.: Generalization and Information Storage in Networks of Adeline Neurons, Self-OrganizingSystems, M.C. Yovitz, Jacobi, and G.D. Goldstein (eds.), Spartan Books, Washintong, DC
6
Minsky, M.L. and Papert, S.A.: Perceptrons, MIT Press, Cambridge, Massachusetts (1969)
27
8/11/2019 124195
28/165
deberan ser propuestos. Por estas investigaciones, el paradigma de las redes
neuronales fue abandonado por 20 aos hasta que alrededor de 1980,
renaci el inters por el campo conexionista gracias al trabajo del grupo
Parallel Distributed Processing (PDP) y las aportaciones de Hopfield7. Sus
esfuerzos coincidieron con el desarrollo de nuevos algoritmos de aprendizaje,
como el backpropagation. El crecimiento de la investigacin de las redes
neuronales y sus aplicaciones ha sido fenomenal desde esta investigacin.
2.1.2 Ventajas de las RNA
El modelo de una red neuronal artificial, por ser una imitacin del proceso de
una neurona biolgica, presenta un gran nmero de caractersticas semejantes
a las del cerebro y ofrece numerosas ventajas, entre ellas:
Aprendizaje adaptativo: Las redes neuronales tienen la capacidad de
adaptarse a los cambios en las condiciones de su entorno, debido a que
pueden aprender a realizar tareas basadas en un entrenamiento o una
experiencia inicial.
No linealidad: Las redes neuronales pueden ser lineales o no lineales,
dicha caracterstica les permite deducir relaciones complejas entre datos
de entrada y salida.
Tolerancia a fallos: Una red puede soportar daos parciales en su
estructura, sin afectar de forma considerable su desempeo general.
algunas capacidades de la red se pueden retener, incluso sufriendo un
gran dao.
Paralelismo: Las redes neuronales procesan en paralelo la informacin
suministrada, operando en tiempo real; esto hace de ellas sistemas
rpidos, robustos y confiables.
7 Hopfield, J.J.: Neural Networks and Phiysical Systems uIT Emergent Collective ComputacionalHabilitis, Proc., Natl. Academy of science (1982) 79, 2554
28
8/11/2019 124195
29/165
Capacidad de generalizacin: Las redes neuronales son capaces de
producir salidas acertadas ante entradas no suministradas durante el
entrenamiento.
2.1.3 Fundamentos de las RNA
Los modelos aparecen en la biologa, como una representacin de la
caracterstica natural de acumulacin de informacin visual y aprendizaje que
tienen los seres vivientes. Sin embargo, el proceso por el cual a partir de esta
informacin se genera una respuesta en un sujeto es complicado y hasta cierto
punto, es an desconocido. En general, este proceso puede describirse como
uno en el cual, un nmero determinado de clulas (neuronas), se organizan a
travs de una red e interactan hasta obtener una respuesta a determinados
estmulos. Por ejemplo, una persona recibe una serie de informacin que es
transmitida a travs de impulsos a sus clulas cerebrales, en el cerebro, estos
impulsos se entremezclan y generan una respuesta.
El cerebro humano consta de un gran nmero (aproximadamente 1011) de
elementos altamente interconectados (aproximadamente 104 conexiones por
elemento), llamados neuronas. Estas neuronas tienen tres componentes
principales, las dendritas, el cuerpo de la clula o soma, y el axn. Las
dendritas, son el rbol receptor de la red, son como fibras nerviosas que cargan
de seales elctricas el cuerpo de la clula; el cuerpo de la clula, realiza la
suma de esas seales de entrada y el axn es una fibra larga que lleva la seal
desde el cuerpo de la clula hacia otras neuronas. El punto de contacto entreun axn de una clula y una dendrita de otra clula es llamado sinpsis, la
intensidad de la sinapsis es determinada por la complejidad del proceso
qumico que estabiliza la funcin de la red neuronal.
29
8/11/2019 124195
30/165
2.1.3.1 Elementos de una RNA. Los modelos neuronales asumen muchassimplificaciones del modelo biolgico con el fin de facilitar su desarrollomatemtico. En la Figura 1, se compara una neurona biolgica con el modelomatemtico equivalente. Dentro de estas similitudes se pueden destacar:
Las entradas Xi representan las seales que provienen de otras
neuronas y que son capturadas por las dendritas.
Los pesos Wi son la intensidad de la sinpsis que conecta dos
neuronas; tanto Xi como Wi son valores reales.
es la funcin umbral que la neurona debe sobrepasar para activarse;
este proceso ocurre biolgicamente en el cuerpo de la clula.
Figura 1. Del modelo biolgico al modelo artificial 8
Las seales de entrada a una neurona artificial X1, X2,.., Xn, pasan a travs
de una ganancia o peso, llamado peso sinptico o fortaleza de la conexin
(Wi), cuya funcin es anloga a la de la funcin sinptica de la neurona
biolgica; el nodo sumatorio acumula todas las seales de entradasmultiplicadas por los pesos, este resultado es evaluado por medio de una
funcin de activacin que a su vez pasa su resultado a la salida, a travs de
una funcin umbral o funcin de transferencia ().
8
Fuente: Universidad Tecnolgica de Pereira, Tutorial Redes Neuronales,2007. Available from internet:
30
http://ohm.utp.edu.co/neuronales/main.htmhttp://ohm.utp.edu.co/neuronales/main.htm8/11/2019 124195
31/165
2.1.3.2 Estado de activacin. Todas las neuronas que componen la RNA se
encuentran en cierto estado de activacin: reposo o excitado, y a cada uno de
ellos, se le asigna un valor que pueden ser continuo o discreto. Si son
discretos, suelen tomar valores binarios o un conjunto pequeo, en cambio si
son continuos, se considera un conjunto continuo de estados de activacin, en
lugar de solo dos estados, en cuyo caso se le asigna un valor entre [0,1] o en el
intervalo [-1,1], generalmente, siguiendo la funcin sigmoidal.
En notacin binaria, un estado activo se indicara por 1, y se caracteriza por la
emisin de un impulso por parte de la neurona (potencial de accin), mientras
que un estado pasivo se indicara por 0, y significara que la neurona est enreposo.
2.1.3.3 Funcin de Salida o de Transferencia. Entre las unidades o neuronas
que forman una RNA existe un conjunto de conexiones que unen unas con
otras. Cada unidad transmite seales a aquellas que estn conectadas con su
salida. Asociada con cada unidad hay una funcin de salida , que
transforma el estado actual de activacin en una seal de salida ; es
decir:
iU ))(( taf ii
)(tai )(tyi
(2.1)))(()( tafty iii =
Existen cuatro funciones de transferencia tpicas que determinan los distintos
tipos de neuronas:
Funcin escaln o paso: Se asocia a neuronas binarias en las cuales
cuando la suma de las entradas es mayor o igual que el umbral de la
neurona, la activacin es 1, si es menor, la activacin es 0 ( 1).
Funcin lineal y mixta: Corresponde a la funcin F(x) =x. En las
neuronas con funcin mixta si la suma de las seales de entrada es
31
8/11/2019 124195
32/165
8/11/2019 124195
33/165
Tabla 1 Principales Funciones de Transferencia.
Nombre Funcin Grafica
Lineal ( ) xxf =
Escaln o Paso
Mixta o Rampa
>
8/11/2019 124195
34/165
2.1.3.4 Arquitectura de Red. El trmino arquitectura de red se refiere a la forma
o estructura de una RNA, y est compuesta por las capas de entrada, ocultas y
de salida; as mismo, por la interconexin y direccin de la red, que se refiere a la
forma en que se interrelacionan las neuronas.
Capa de Entrada: Es la capa que recibe directamente la informacin
proveniente de las fuentes externas de la RNA.
Capas ocultas: Tambin se les denomina capas intermedias, por
encontrarse entre la entrada y la salida de la red. Sus elementos pueden
tener diferentes conexiones y son estas las que determinan las
diferentes topologas de la red.
Capa de salida: Recibe la informacin de la capa oculta y transmite la
respuesta al medio externo.
Interconexin: Las interconexiones entre capas de las redes pueden
clasificarse como:
Totalmente conectadas: si todas las salidas de un nivel llegan a todos
y cada uno de los nodos del nivel siguiente.
Localmente conectadas: la salida de una neurona del un nivel es la
entrada a una regin de neuronas del nivel siguiente.
Direccin: La direccin de la informacin de las redes pueden clasificarse
en:
Redes depropagacin hacia delante: las salidas de las neuronas de
una capa slo se propagan a las neuronas de la capa siguiente. Es
decir, la informacin fluye solamente de la entrada a la salida.
Redes retroalimentadas: las salidas de las neuronas de una capa
pueden ser entradas de las neuronas de las capas anteriores.
Redes de alimentacin lateral: las salidas de las neuronas pueden
ser entradas de neuronas de la misma capa.
34
8/11/2019 124195
35/165
Redes recurrentes: Son aquellas redes retroalimentadas que poseen
lazos cerrados, es decir, existen conexiones de una neurona con ella
misma, conexiones entre neuronas de una misma capa o conexiones
de las neuronas de una capa a la capa anterior.
Figura 2 Estructura de una Red Neuronal
Capa Capas CapaDe Entrada Ocultas De Salida
2.1.3.5 Mecanismos de Aprendizaje. El entrenamiento de una red se lleva a
cabo mediante una regla o algoritmo de aprendizaje. Este algoritmo es un
procedimiento para modificar los pesos de una red y su propsito es entrenar la
red para ejecutar alguna tarea9.
Segn el algoritmo de aprendizaje, las RNA se dividen en redes de
entrenamiento supervisado y no supervisado (Fig. 3):
Supervisados: La misin de este algoritmo es ajustar los pesos de la red de
manera tal, que dado un conjunto de entradas, las salidas proporcionadas
por la red debern coincidir lo ms posible con las salidas especificadas en
9Hagan, Dermuth y Beale: Neural network design. Boston, USA: PWS Publishing Company, 1996.
35
8/11/2019 124195
36/165
el patrn de entrenamiento10. A este tipo de algoritmo pertenecen las redes
Perceptrn, Hamming, Hopfield y perceptrn multicapa.
No Supervisados: los pesos son modificados en respuesta a las entradas de
la RNA, es decir no estn disponibles las salidas. La mayora de estos
algoritmos tienen como misin realizar algn tipo de agrupamiento, los
cuales, aprenden a categorizar los patrones de entrada en un nmero finito
de clases. A este tipo de algoritmo pertenecen las redes
Carpenter/Grossberg y Kohonen.
El aprendizaje supervisado, se destaca por poseer diferentes maneras de
realizarse, entre ellas, el aprendizaje por correccin de error, que consiste enajustar los pesos de las conexiones de La RNA en funcin del error cometido
en la salida. Dentro de los algoritmos que utilizan el aprendizaje por correccin
del error, se encuentran: la regla de aprendizaje del perceptrn, regla del
mnimo error cuadrado o regla de Widrow-Hoff y la regla Delta generalizada o
algoritmo de retro-propagacin del error (error backpropagation), este ltimo,
nuestro caso de estudio.
Figura 3 Clasificacin de los tipos de redes
Entrada Binaria Entrada Contina
Supervisada SupervisadaNo Supervisada No Supervisada
Hopfield Hamming Carpenter-
Grossberg
Perceptrn Perceptrn
MulticapaKohonen
Clasificacin de las redes neuronales
10Colina, E. y Rivas, F: Introduccin a la inteligencia artificial. Mrida, Venezuela: Universidad de Los Andes.
36
8/11/2019 124195
37/165
2.1.4 Algoritmo Backpropagation
En 1986, Rumelhart, Hinton y Willians, formalizaron un mtodo para que una
RNA aprendiera la asociacin que existe entre los patrones de entrada a la
misma y las clases correspondientes, utilizando varios niveles de neuronas.
Este mtodo, conocido como Backpropagation (retropropagacin del error) o
mtodo del gradiente descendente, est basado en la generalizacin de la
regla delta, que actualiza los pesos de forma proporcional a la diferencia entre
la salida deseada y la obtenida.
El algoritmo de backpropagation emplea un ciclo propagacin adaptacin de
dos fases: una vez que se ha aplicado un patrn a la entrada de la red como
estmulo, este se propaga desde la primera capa a travs de las capas
superiores de la red, hasta generar una salida. La seal de salida se compara
con la salida deseada y se calcula una seal de error para cada una de las
salidas, luego las salidas de error se propagan hacia atrs, partiendo de la
capa de salida, hacia todas las neuronas de la capa oculta que contribuyendirectamente a la salida.
La importancia de este proceso consiste en que, a medida que se entrena la
red, las neuronas de las capas intermedias se organizan a s mismas de tal
modo que las distintas neuronas aprenden a reconocer distintas caractersticas
del espacio total de entrada.
2.1.4.1 Funcionamiento del Algoritmo. El esquema del algoritmo
backpropagation puede resumirse en los siguientes pasos:
1. Inicializar los pesos de la red con valores aleatorios, o de acuerdo a
alguna funcin de inicializacin.
2. Presentar un patrn de entrada Xp : (xp1, xp2, ..., xpN) y especificar la
salida deseada que debe generar la red: (d1, d2,..., dM).
37
8/11/2019 124195
38/165
3. Calcular la salida actual de la red, para ello, para la entrada presentada,
se van obteniendo los valores de las respuestas que presenta cada
capa hasta llegar a la capa de salida. Para ello se sigue el siguiente
procedimiento:
Se calculan las entradas netas (net) para las neuronas ocultas
procedentes de las neuronas de entrada. Para una neurona oculta j
(Oj):
(2.2)
Donde el subndicepcorresponde alp-simo vector de entrenamiento,j
a laj-sima neurona oculta, wjies el peso de la conexin entre Eiy Ojy
el trmino jcorresponde a un trmino de umbral mnimo a alcanzar por
la neurona para su activacin. A partir de estas entradas se calculan las
salidas (y) de las neuronas ocultas, utilizando una funcin de activacin
f.
(2.3)
Se realizan los mismos clculos para obtener los valores de resultado
de cada neurona kdela capa de salida.
(2.4)
4. Despus que todas las neuronas de la red tienen un valor de activacin
asociado para un patrn de entrada dado, el algoritmo contina
encontrando el error que se presenta para cada neurona, excepto para
las de la capa de entrada. Para la neurona k de la capa de salida, si la
respuesta es (y1, y2,..., yM), dicho error () se puede escribir como:
38
8/11/2019 124195
39/165
8/11/2019 124195
40/165
(2.10)
Este estadstico se utiliza para la evaluacin del desempeo de la red.
2.1.4.2 Algoritmo de Levenberg-Marquardt. El algoritmo de Levenberg-
Marquardt (LM) es un algoritmo iterativo de optimizacin en el que el mtodo de
iteracin presenta una ligera modificacin sobre la tcnica tradicional de Newton,
que trata de minimizar la distancia euclidiana entre los datos de campo y los
tericos:
(2.11)Donde:
F(Wk) = Funcin a optimizar.
k= Identifica el nmero de salida de la red que se relaciona con el procesoiterativo.
X= Nmero de elementos del conjunto de entrenamiento.
E= [e1, e2,e3,.,en]T= Corresponde al vector de errores de entrenamiento, entre
la salida deseada y la obtenida.
Wk= Vector de parmetros de la red , definido por los pesos y ganancias.
La regla de actualizacin est definida por:
(2.12)
Wk =actualiza los parmetros indicando hacia adonde debe disminuir el error,y est dado por la siguiente ecuacion:
(2.13)
I = matriz identidad unitaria.
40
8/11/2019 124195
41/165
J(Wk
)= Matriz jacobiana, expresada como:
(2.14)
= es el factor de ajuste, en redes neuronales se conoce como factor deentrenamiento.
El valor de es actualizado por la rata de decaimiento (0<
8/11/2019 124195
42/165
Con esta variacin, el tiempo requerido para el entrenamiento de redes
neuronales disminuye considerablemente respecto al algoritmo estndar L-M.
En general, la red con el algoritmo L-M converge en menos iteraciones que lamayora de las variaciones del backpropagation, por supuesto requiere mucha
ms computacin por iteracin, debido a que implica el clculo de matrices
inversas de gran tamao. A pesar de su gran esfuerzo computacional sigue
siendo el algoritmo de entrenamiento ms rpido para redes neuronales
cuando se trabaja con un moderado nmero de parmetros en la red, si el
nmero de parmetros es muy grande utilizarlo resulta poco prctico.
2.2 CURVAS DE DECLINACIN
2.2.1 Introduccin
Los dos problemas bsicos presentes en la evaluacin de un pozo petrolero,
son la determinacin de su vida futura y la estimacin de su produccin.
Algunas veces uno o ambos problemas pueden ser resueltos mediante clculoshechos sobre las variables inherentes al yacimiento, tales como porosidad,
presin entre otros; sin embargo, no siempre se tienen disponibles los datos
suficientes para eliminar todas las incgnitas. En estos casos, la posibilidad de
extrapolar la tendencia de alguna de las variables caractersticas del pozo
productor puede ser de considerable ayuda. La variable caracterstica, ms
simple y de mayor disponibilidad es la tasa de produccin, y una forma lgica
de encontrar una respuesta a los dos problemas mencionados, es mediante
extrapolacin, graficando esta tasa de produccin, bien sea contra el tiempo o
contra la produccin acumulada, y luego extender la curva obtenida hasta el
lmite econmico, esto es lo que llamamos una curva de declinacin. El punto
de interseccin entre la curva extrapolada y el lmite econmico, indica la
posible vida futura del pozo la recuperacin estimada de crudo. Las bases
que respaldan esta estimacin, es que se asume que el comportamiento futuro
del pozo est gobernado por alguna tendencia o relacin matemtica que
depende altamente de su rendimiento pasado. Esta suposicin hace que el
42
8/11/2019 124195
43/165
8/11/2019 124195
44/165
a un uso indebido de esta tcnica; sin embargo, Fetkovich12con la combinacin
de muchas aproximaciones muestra algunos ejemplos de curvas de declinacin
en donde cambian tanto la presin como el drenaje en el pozo. En la ingeniera
de yacimientos es necesario estar dispuesto a usar todas las tcnicas
disponibles con tal de hacer predicciones acertadas sobre el yacimiento; por
esto es que, en lugar de aislarlas y hacerlas mutuamente excluyentes, el
ingeniero debe ser capaz de integrarlas para extraer la mejor informacin de
cada una.
Cmo se mencion, normalmente el anlisis de las curvas de declinacin
consiste en graficar la produccin del pozo contra el tiempo; esta se hace en unpapel semilog y luego se trata de ajustar esta grfica a una lnea recta, la cual
ser extrapolada hacia el futuro. Las reservas se calculan con base en la rata
promedio de produccin anual hallada.
2.2.2 Estado del Arte
Arnold y Anderson13en 1908 presentan un estudio sobre el comportamiento
de la produccin del campo Caolinga (USA), donde se dan cuenta de que la
tasa de produccin en algn momento es una fraccin constante de las tasas
precedentes, es decir, que la tasa de produccin durante perodos de tiempo
iguales forma una serie geomtrica, lo que tambin implica que la cada de
produccin sobre un intervalo constante dado es una fraccin fija o un
porcentaje de la tasa de produccin precedente. Esta cada de produccin
como fraccin, expresada usualmente en porcentaje por mes, la denominan
declinacin. En sus trabajos de evaluacin encuentran que la mayora de
curvas de declinacin son de tipo exponencial, al menos sobre perodos de
tiempo limitados.
12Fetkovich, M.J.: Decline Curve Analysis Using Type Curves, JPT (June 1980) 1065-1077.13 Arnold,R and Anderson R.: "Preliminary Report on Coalinga Oil District, U.S. Geological Survey
Bull.(1908) 357,79
44
8/11/2019 124195
45/165
En 1924, W. W. Cutler14mostr despus de una intensiva investigacin acerca
de las curvas de declinacin de varios pozos, que la suposicin del porcentaje
de declinacin constante y la extrapolacin de una lnea recta arrojaba
resultados que se corroboraban en el futuro, es decir, el proceso de
extrapolacin era vlido. Sin embargo, not que las curvas de declinacin de
tipo hiperblico representaban mejor el comportamiento futuro de la produccin
que las curvas de tipo exponencial o geomtrico para la gran mayora de los
casos.
R. H. Johnson y A. L. Bollens15 en 1927 introducen un nuevo mtodo
estadstico para la extrapolacin de curvas de declinacin de pozos de petrleollamado "loss ratio".
R. E. Allen16en 1931 menciona cuatro tipos de declinacin y las clasifica de
acuerdo a una relacin matemtica simple. Los tipos de declinacin fueron:
Aritmtica o declinacin con decrementos constantes,
Geomtrica o declinacin exponencial,
Armnica Bsica o declinacin de potencia fraccional, que es de tipo hiperblico.
S. J. Pirson17en 1935 public una investigacin sobre las bases matemticas
del mtodo de la "Loss ratio" y encontr la relacin tasa - tiempo para las
curvas de declinacin que tienen una "Loss ratio" constante. Las del primer tipo
son idnticas a las de la declinacin exponencial, las del segundo tipo fueron
declinaciones de tipo hiperblico y las del tercer tipo posean relacionesmatemticas tan complejas que no eran tiles para propsitos prcticos.
14Cutler, W. W. Jr.: Estimation of Underground Oil Reserves by Well Production Curves, U.S. Buresn ofMines Bull. (1924) 228.
15 Johnson, R. H. and Bollens, A. L. :The loss ratio method of extrapolating oil well decline curves. TransAIME. Vol 27, p 771, 192716Allen, R. E.: Control of California oil curtailment. Trans AIME. Vol 47, p92, 1931
17Pirson, S. J.:Production Decline Curve of Oil Wells May Be Extrapolated by Loss Ratio Method, Oil &
Gas J. (1935) 34, N 46,34.
45
8/11/2019 124195
46/165
P. J. Jones18en 1942 presenta una aproximacin para los pozos que declinan
a una tasa variable donde la relacin tasa - tiempo sigue una lnea recta en
papel log-log y corresponde a la ecuacin:
Log( D ) = Log( Do ) - m Log( t ) (2.16)
Donde Do representa la declinacin inicial y m es una constante positiva que
corresponde a la pendiente de la lnea recta.
En 1945, J. J. Arps19 publica un documento donde clasifica las curvas de
declinacin en cuatro tipos generales: (1) Exponencial, (2) Hiperblica, (3)Armnica y (4) Razn de declinacin. Las tres primeras son muy familiares, la
cuarta rara vez se usa. En este documento presenta adems las formulas
matemticas para los tres primeros tipos de declinacin tanto para las
relaciones tasa tiempo como para las relaciones tasa-produccin acumulada.
En 1956, Arps publica su segundo documento20 que no contiene ninguna
nueva informacin sobre el anlisis de curvas de declinacin, pero present lasfrmulas matemticas de las relaciones tasa-tiempo y tasa-produccin
acumulada en una forma mucho ms simple.
H. N. Mead21 en 1956 presenta una lista de-valores del exponente de
declinacin b para varios tipos de mecanismos de empuje. Adems incluye las
ecuaciones para el anlisis de las curvas de declinacin, las cuales estn
basadas en la premisa de que, la tasa de cambio del recproco de ladeclinacin para intervalos de tiempo sucesivos es constante cuando el
yacimiento est produciendo bajo unas condiciones fijas.
18Jones, P. J.: Estimating oil reserves from production decline rates oil and gas journal. P 43, 1942
19Arps, J. J.:Analysis of Decline Curves. Trans., AIME (1945) 160,228
20Arps, J. J.:Estimation of Primary Oil Reserves, Trans., AIME (1956) 207,182
21Mead, H.: Modifications of decline curve analysis. Journal of petroleum technology, pp 1065-1076. Jun
1980.
46
8/11/2019 124195
47/165
H. C. Slider22en 1968 propuso un mtodo mejorado para el anlisis de curvas
de declinacin hiperblicas por medio de curvas tipo, elaboradas por l.
En 1972, R. W. Gentry23presenta un anlisis de curvas de declinacin, en el
cual utiliz las ecuaciones tasa-tiempo y tasa-produccin acumulada
presentadas por Arps para obtener dos ecuaciones adimensionales para cada
tipo de declinacin. Estas ecuaciones fueron usadas para construir dos grficos
o curvas tipo que pueden ser utilizados para extrapolar rpidamente las curvas
de declinacin hiperblicas y armnicas, y obtener los parmetros de
declinacin b y Di.
M. J. Fetkovitch24 intentando encontrar las relaciones entre las constantes de
declinacin (qi, Di Y b) y las caractersticas del yacimiento y los fluidos,
presenta en 1973, un estudio en el cual utilizando ecuaciones de balance de
materiales y ecuaciones de tasas de produccin obtiene un grupo de
correlaciones que le permiten construir un grupo de curvas tipo en trminos de
variables de declinacin adimensionales.
R. W. Gentry y A. W. McCray25 publican en 1978, un estudio donde investigan
los efectos que tienen las propiedades de la formacin y de los fluidos sobre la
historia de produccin de un pozo o un yacimiento. Obtienen expresiones tasa -
tiempo y tasa produccin acumulada que describen el comportamiento de la
declinacin mejor que las relaciones de Arps.
22Slider, H. C.,A Simplified Method of Hyperbolic Decline Curve Analysis, JPT (march/1968) 235.
23Gentry, R. W. Decline Curve Analysis, JPT (January/1972) 38.
24Fetkovitch, M.: Decline Curve Analysis using type curves. Journal of petroleum technology, pp 1065-1076. Jun 1980.
25Gentry, R. W. and McCray, A. W. The Effect of Reservoir and Fluid Properties on Produccion Decline
Curves, JPT (September/1978) 1327.
47
8/11/2019 124195
48/165
R. E. Lohec26 en 1984 analiza la declinacin de la produccin para
yacimientos agotados mediante un desplazamiento frontal. Desarrolla
ecuaciones que relacionan la tasa de produccin, el tiempo y las reservas con
la geometra del yacimiento y la productividad.
En 1988, D. R. Long y M. J. Davis27, presentan una aproximacin eficiente y
verstil para el anlisis de curvas de declinacin hiperblicas mediante el uso
de curvas tipo.
En 1993, F. Rodriguez y H. L. Cinco28 [16] desarrollaron un modelo para
propsitos de interpretacin y pronstico de la produccin. En este trabajo
estudiaron el rendimiento de la produccin para yacimientos con mltiplespozos que producan a una presin constante y arbitraria.
M. J. Fetkovitch y E. J. Fetkovitch29en 1996, presentaron algunas pautas y
conceptos fundamentales, a los ingenieros responsables de hacer los
pronsticos y determinar reservas para un gran nmero de pozos activos e
inactivos, con el fin de permitir que ellos hagan estos trabajos ms rpida y
acertadamente
En 1998 R.G Agarwal y D.C Gardner30 introducen un mtodo, que combina
los conceptos de curvas de declinacin y curvas tipo, para la estimacin de
reservas y otros parmetros del yacimiento, para pozos de gas y de aceite,
usando los datos de produccin.
26Lohec, R.: Analytic approach evaluates frontal dispacement mechanism. Oil and gas journal. Pp 83-89,Sep 1984.
27Long, D. R and Davis, M.J.:A New Aproach to the Hyperbolic Curve, JPT (July/1988) 909.
28 Rodriguez, F. and Cinco-Ley, H.: "A New Model for Production Decline," Paper SPE, (March / 1993)
29Fetkovich, M.J., Fetkovich, E.J., and Fetkovich, M.D.: Useful Concepts for Decline-Curve Forecasting,Reserve Estimation, and Analysis, Paper SPERE (February/ 1996) 13-22.
30 Agarwal, R.G., Gardner, D.C., Kleinsteiber, S.W. and Fussell, D.D.: "analyzing well production data
using combined type-curve and decline-curve analysis concepts," paper SPE 49222, 1998
48
8/11/2019 124195
49/165
L.O. Masoner31 realiz para 1998, un trabajo donde deduce la ecuacin de
declinacin hiperblica de Arps a partir de los principios de permeabilidad
relativa. Los resultados indican que la declinacin hiperblica aplica
rigurosamente en los procesos de recuperacin de aceite secundarios y
terciarios, dominados por la permeabilidad relativa. Adems comenta que las
declinaciones exponenciales y armnicas de Arps aplican solamente bajo
condiciones muy especiales
J. B Aminzadeh y N.B. Toomarian32en 1999, demostraron la efectividad de
las redes neuronales para proveer una estimacin acertada de los parmetros
petrofsicos que describen las propiedades del yacimiento, as como lasrelaciones funcionales, entre las perturbaciones de las propiedades de roca
subterrneas y la reaccin ssmica, de la formacin. Para la validacin,
utilizaron el mtodo K-fold cross, que estimaba la aproximacin y el intervalo
de confianza para todas las redes utilizadas en el estudio.
Para el 2000, H.H. Nguyen y C.W. Chan33presentaron una aplicacin, basada
en el modelo de redes neuronales artificiales mltiples (MNN), para estimar elrendimiento de la produccin futura de pozos de petrleo. El estudio mostr
que los datos de la geociencia juegan un papel poco significativo en la
prediccin de produccin mensual de petrleo.
F. Abdelhafidh y T. Djebbar34 en el 2001, proponen una ecuacin universal
de ajuste, que combina las ecuaciones empricas de Arps y la solucin analtica
de Fetkovich, como alternativa al ajuste manual con curvas tipo.
31Masoner, L.O.: Decline Analysis Relationship to Relative Permeability in Secondary and TertiaryRecovery, paper SPE 39928, (April / 1998)
32F. Aminzadeh, J. Barhen, and N.B. Toomarian, Estimation of Reservoir Parameter using a HybridNeural Network, Journal of Petroleum Science and Engineering, vol. 24, no. 1, 1999, pp. 49-56.
33 H.H. Nguyen and C.W. Chan, "Petroleum Production Prediction: A Neural Network Approach",Proceedings of 5th International Joint Conference on Engineering Design and Automation 2001 (EDA2001), 5-8 August 2001, Las Vegas, USA, pp.85-90, 2000
34 Abdelhafidh, F. and Djebbar, T. : Application of Decline-Curve Analysis Technique in Oil Reservoir
Using A Universal Fitting Equation , paper SPE 70036, (May /2001)
49
8/11/2019 124195
50/165
Li and Horne35 proponen en el 2003 un modelo de declinacin mecanicista,
basado en estudios tericos y experimentales, que revela una relacin lineal
entre la tasa de produccin de petrleo y el recproco de la produccin de
aceite acumulada
En el 2004, H.H. Nguyen y C.W. Chan36 presentan una comparacin de
diferentes estrategias de preprocesamiento de datos, para el desarrollo de
modelos de redes neuronales, usados para la prediccin de la tasa de
produccin de petrleo. Las estrategias de preprocesamiento consideradas
fueron: (1) aproximacin secuencial, en la cual los datos de los pozos son
ubicados secuencialmente para formar un conjunto de datos, (2) aproximacinpromedio, donde el conjunto de datos es formado a partir del promedio de
todos los pozos, y por ltimo (3) la aproximacin individual que construye un
modelo por cada pozo del yacimiento.
H.H. Nguyen y C.W. Chan37 desarrollan para el mismo ao, un sistema de
soporte de decisiones que ayuda al usuario en la prediccin de la produccin
de petrleo. El sistema muestra los mejores y peores escenarios, basado enlas diferentes curvas de produccin, con el propsito de que un experto puede
revisar las grficas del pronstico de la tasa de produccin de cada pozo y
pueda determinar qu modelo da el mejor ajuste. En su estudio sealaron, que
las curvas generadas por las RNAs, deben tener un conjunto de entrenamiento
mayor a 30 meses, para que no sufran una tendencia descendiente brusca y
anormal al final de la vida de produccin.
35Li, K. and Horne, R.N.: A Decline Curve Analysis Model Based on Fluid Flow Mechanisms, paper SPE83470, ( May /2003).
36H.H. Nguyen and C.W. Chan, A Comparison of Data Preprocessing Strategies for Neural NetworkModeling of Oil Production Prediction, Proceedings of the Third IEEE International Conference onCognitive Informatics, (ICCI 2004)
37 H.H. Nguyen and C.W. Chan, A Decision Support System For Oil Production Prediction, Proceedings
of Electrical and Computer Engineering. Canadian Conference, (CCECE 2004)
50
8/11/2019 124195
51/165
R. Camacho, G. Fuentes y M. Vsquez38 publican en el 2006 un estudio
donde investigan el comportamiento de la declinacin de la produccin en
yacimientos naturalmente fracturados, que presentan porosidad simple y doble,
aplicando geometra fractal.
2.2.3 Fundamento Matemtico
Los diferentes mtodos de anlisis de curvas de declinacin estn basados en
la manera en que la rata de declinacin vara, es por esto que es importante
que se defina cuidadosamente. Entonces la rata de declinacin puede definirsecomo el cambio fraccional de la produccin en el tiempo:
( ) tqqa = // (2.17)
Consecuentemente, la rata de declinacin en cualquier tiempo particular, puede
determinarse grficamente calculando la pendiente de la grfica de la
produccin contra tiempo, en el punto de inters, y dividiendo por la produccinen ese tiempo particular. Para que la rata de declinacin sea constante, la
pendiente debe declinar a la misma rata que lo hace la produccin ( ).
a
q
La expresin (2.17) puede reescribirse de la siguiente forma:
tqa = /ln (2.18)
38Camacho, R. , Fuentes, G, Vsquez, M.:Decline Curve Analysis of Fractured Reservoirs with FractalGeometry,paper SPE 104009,(september/ 2006)
51
8/11/2019 124195
52/165
8/11/2019 124195
53/165
1. Declinacin exponencial, n = 0.
td
it
ieqq = (2.21)
i
ti
pd
qqQ
= (2.22)
2. Declinacin hiperblica, n diferente a 0 1.
( ) ni
i
ttnd
/11+
= (2.23)
( ) ( )n
t
n
i
i
n
i
p qq
dn
= 11
1
(2.24)
3. Declinacin armnica, n = 1.
( )tdq
qi
i
t +=
1 (2.25)
=
t
i
i
i
pq
q
d
qQ ln (2.26)
2.2.3.1 Estimacin de los parmetros para declinacin exponencial. Si = 0,
la declinacin es exponencial; de los tres mtodos este es el de mas amplio uso,
primeramente por la facilidad para determinar sus parmetros y adems porque
da un estimativo ms conservador de la produccin; si bien esta ltima afirmacin
es cierta, tambin lo es que la declinacin hiperblica arroja resultados mas
realistas y por ello se recomienda su uso cuando las condiciones sean las
apropiadas.
n
Si en una declinacin dada se observa un fuerte carcter hiperblico, es fcil
ajustar una curva exponencial a unos pocos puntos finales, tal que mediante
este ajuste se pueda proyectar el comportamiento de la produccin a futuro.
Ahora si se asume que = 0, slo hay que determinar dos parmetros: y
; tomando el logaritmo natural a ambos lados de la relacin
produccin/tiempo de la declinacin exponencial descrita en la ecuacin (2.21):
ni
q
id
53
8/11/2019 124195
54/165
tdqqiit
= lnln (2.27)
Entonces, la grfica de vs.t
qln t, es una lnea recta con yi
dm = i
qb ln= .
Como el papel semilog es ms comn, entonces se estima que es conveniente
graficar vs.t
qlog t, donde m ed yi
qb log= .ilog=
2.2.3.2 Estimacin de los parmetros para la declinacin armnica. Si = 1,
la declinacin es armnica; este es el menos comn de los mtodos, pero no por
ello el ms simple. Puede aplicarse, siempre y cuando la grfica de vs.
presente un comportamiento lineal. Esto se deduce de la ecuacin (2.26), que
puede reescribirse como:
n
tqlog pQ
ipiit qQdqq /lnln = (2.28)
Por tanto, una grfica de vs. da una lnea recta donde y
. Si se quiere utilizar un papel semilog, entonces debe graficarse
vs. , donde
tqln
pQ
ii qdm /=
iqb ln=
tqlog
pQ eqdm
iilog/= y
iqb log= .
As como es posible ajustar los ltimos valores de produccin con una
declinacin exponencial, del mismo modo es posible ajustar los datos finales
con una declinacin armnica debido a que pocos puntos sern lineales en una
grfica de vs. ; Sin embargo este es un procedimiento errneo pues
conduce a resultados muy optimistas si el verdadero valor de es menor a 1.
tqlog pQ
n
54
8/11/2019 124195
55/165
8/11/2019 124195
56/165
2.3 MECANISMOS DE PRODUCCIN DEL PETRLEO
La produccin es la actividad de la industria petrolera que se ocupa de realizar
todos los procesos necesarios para llevar el petrleo desde el yacimientohasta el pozo, y de ste a la superficie, tratando de extraer la mayor cantidad
de fluido39.
En la produccin de un yacimiento no siempre se obtienen las tasas de flujo
deseadas. A raz de esto, a medida que se desarrolla el campo se piensa en
usar mtodos de extraccin artificial que permitan obtener tasas de flujo
ptimas para hacer rentables las operaciones.
Si el yacimiento tiene suficiente presin, el petrleo fluir a superficie por su
propia energa, proceso que se denomina flujo natural. En este caso se
instala en la cabeza del pozo un conjunto de vlvulas para regular el paso del
crudo.
Si la presin no es suficiente para que el petrleo fluya a la superficie, seemplean otros mtodos de extraccin conocidos como Mtodos de
Levantamiento Artificial. El ms comn es el Bombeo Mecnico (se utiliza en
el 85% de los casos), el cual mediante un permanente balanceo, acciona una
bomba colocada en el fondo del pozo la cual impulsa el petrleo hacia la
superficie. El objetivo de estos es crear una presin en la tubera de produccin
tal, que permita al pozo fluir con un volumen determinado una vez que la
energa natural del mismo ha disminuido.
Entre los diferentes sistemas de extraccin artificial del petrleo se encuentran
el bombeo mecnico, neumtico, hidrulico y Electro-Centrfugo.
39
Asociacin colombiana de ingenieros de petrleo: Memorias del seminario: Ingeniera de petrleospara no Petroleros, Bogot D.C., septiembre 11 al 15 de 2006
56
8/11/2019 124195
57/165
2.3.1 Bombeo Mecnico
Es uno de los mtodos de levantamiento artificial ms utilizados. Una bomba
colocada en el fondo del pozo, es accionada por medio de una sarta de varillasde acero movidas por un machn o balancn que en su balanceo permanente
impulsa el petrleo a la superficie. El diagrama de este bombeo, se puede
apreciar en la Figura 4.
Figura 5. Bombeo mecnico40
2.3.2 Bombeo neumtico
Consiste en la inyeccin de gas, a niveles prefijados y a travs de unas
vlvulas colocadas en la misma tubera de produccin, con el fin de aligerar el
peso de la columna de petrleo, permitiendo que la misma alcance la superficie
con la energa propia del yacimiento.
40
Fuente: Asociacin colombiana de ingenieros de petrleo: Memorias del seminario: Ingeniera depetrleos para no Petroleros, Bogot D.C., septiembre 11 al 15 de 2006
57
8/11/2019 124195
58/165
Figura 6 Bombeo neumtico41
2.3.3 Bombeo Hidrulico
El principio de este sistema de levantamiento es la inyeccin de un fluido de
potencia a altas presiones que al mezclarse con el fluido del yacimiento dentro
del equipo de subsuelo, le transmite la energa necesaria para que este llegue
a la superficie ya sea a travs de una tubera alterna o por el anular.
Figura 7. Bombeo Hidrulico42
41Fuente: Asociacin colombiana de ingenieros de petrleo: Memorias del seminario: Ingeniera depetrleos para no Petroleros, Bogot D.C., septiembre 11 al 15 de 2006.42
Fuente: Asociacin colombiana de ingenieros de petrleo: Memorias del seminario: Ingeniera depetrleos para no Petroleros, Bogot D.C., septiembre 11 al 15 de 2006
58
8/11/2019 124195
59/165
2.3.4 Bombeo Electro-Centrfugo o Electro-Sumergido
El crudo de la formacin es impulsado hasta la superficie por una bombacentrfuga colocada al mismo nivel de la formacin productora y accionada por
un motor elctrico.
Figura 8. Bombeo Electro-Centrfugo43
De acuerdo a las caractersticas del yacimiento y del fluido que se quiere
producir se puede pensar en usar uno u otro sistema de levantamiento artificial.
El grado de uso que tiene cada uno se debe a las caractersticas de los fluidos,
tales como viscosidad, densidad, relacin agua - aceite, contenido de gas,slidos, temperaturas, etc. Y adicionalmente a la experiencia y conocimiento
que se posea del particular, por lo cual sobresale el bombeo mecnico.
En general, los factores que deben tenerse en cuenta al decidir cual tcnica de
produccin es mejor para un pozo se definen a continuacin:
43
Fuente: Asociacin colombiana de ingenieros de petrleo: Memorias del seminario: Ingeniera depetrleos para no Petroleros, Bogot D.C., septiembre 11 al 15 de 2006
59
8/11/2019 124195
60/165
1. Profundidad
2. Caudal (presente y futuro)
3. Presin
4. GOR(relacin gas aceite)
5. Arena y parafinas
6. Viscosidad
7. Dimetro del pozo
8. Desviacin del pozo
9. Disponibilidad de gas
10. Facilidades econmicas
11. Facilidades (espacio para reparaciones)12. IPR (Comportamiento de produccin del pozo)
13. Planes de recuperacin
14. WOR (relacin agua aceite)
Una correcta seleccin de un mtodo de Levantamiento Artificial es importante
para el beneficio a largo plazo de la mayora de los pozos productores de
petrleo; Una seleccin pobre puede reducir la seleccin e incrementar loscostos operativos; Cambiar el mtodo de levantamiento cuesta dinero e implica
que la seleccin del mtodo anterior fue errnea.
60
8/11/2019 124195
61/165
CAPITULO 3
PROCESO DE IDENTIFICACIN DEL MODELO
Estudia el pasado si quieres pronosticar el futu ro
CONFUCIO
La parte ms difcil, y de mayor importancia, en la construccin de un buenmodelo de red neuronal corresponde a la seleccin y recoleccin de la
informacin que lo alimentar en la fase de entrenamiento; identificar
correctamente las variables verdaderamente relevantes dentro del proceso
modelado requiere de intensas labores de observacin, anlisis e investigacin,
que han sido sistemticamente desarrolladas a lo largo de este trabajo. En este
punto es necesario expresar que la base del entrenamiento consiste
nicamente de la informacin de los histricos de produccin de pozos
petroleros, con el objetivo de simular su comportamiento a futuro. Los estudios
sobre la prediccin de la produccin realizados por Nguyen y Chan44,
mostraron que los datos de la geociencia45 juegan un papel poco significativo
en la aplicacin de un modelo neuronal, y por ello se ha optado por no incluir
estos factores dentro del estudio; adicionalmente cabe resaltar que una fuerte
limitante cuando se trabaja con datos histricos es que slo se cuenta con la
informacin que est registrada, y esto implica adecuar totalmente el espacio
de variables consideradas a aquellas que estn disponibles en archivo.
El modelo final al que se lleg en este proyecto de grado, es producto de una
natural evolucin, pues parte de uno bsico que lentamente fue madurando en
44 H.H. Nguyen and C.W. Chan, "Petroleum Production Prediction: A Neural Network Approach",Proceedings of 5th International Joint Conference on Engineering Design and Automation 2001 (EDA2001), 5-8 August 2001, Las Vegas, USA, pp.85-90, 2000
45
Geociencia: conjunto de disciplinas que estudian la estructura interna, la morfologa superficial y laevolucin de la tierra, entre ellas, la geologa y la geografa.
61
8/11/2019 124195
62/165
la medida en que el tema de estudio era comprendido, hasta alcanzar el punto
de estabilidad en trminos de resultados satisfactorios. Como en todo modelo
neuronal, este cuenta con variables que constituyen las entradas de la red y
otras que corresponden con las salidas deseadas; cada tipo de variable tiene
una funcin especfica dentro del modelo: las variables de entrada tienen una
participacin activa durante los procesos que realiza internamente la red para
tratar de identificar el patrn propuesto, mientras que las variables de salida
juegan su principal rol en el proceso de aprendizaje puesto que, al ser el
objetivo buscado, permiten medir la validez de los resultados arrojados por la
red neuronal.
3.1 SELECCIN DE LAS VARIABLES
En el planteamiento de un primer modelo se utilizaron slo dos variables para
la configuracin de la red neuronal:
3.1.1 Lnea mensual de tiempo
Esta entrada corresponde a una secuencia de nmeros, que indican los meses
de produccin del pozo. Su inclusin dentro del modelo es muy importante,
porque es necesario conocer, durante la etapa de entrenamiento y de
validacin, en que parte de la lnea de tiempo est la red. Es decir, que si para
un pozo petrolero se tienen datos de 3 aos de produccin con registros
mensuales, la lnea de tiempo correspondiente a los valores histricos sera: [1,
2, 3,, 36], donde 1 correspondera al primer mes de produccin y 36 al
ltimo. Los valores de la serie mayores a 36, equivaldran a los meses de
produccin venideros, y son usados para indicar que se debe realizar la
prediccin. Se puede decir que esta es una variable de alto impacto y que
cuyo seguimiento es fundamental dentro del proceso de entrenamiento puesto
que, por la naturaleza altamente variable de la produccin, es necesario poder
distinguir claramente entre dos periodos de tiempo de caractersticas similares,
porque en nuestro estudio, la produccin del mes de enero de un ao
62
8/11/2019 124195
63/165
especfico vara considerablemente de la de enero del ao siguiente y del
mismo modo de la de enero del ao inmediatamente anterior.
3.1.2 Produccin de petrleo
Esta variable de salida Indica la cantidad de barriles de petrleo obtenidos de
un pozo durante un mes. La produccin precisamente corresponde con la
informacin histrica almacenada y va ligada en relacin uno a uno a la lnea
de tiempo.
A medida que se fueron estableciendo las entradas y las salidas, paralelamente
y de forma complementaria, fueron consideradas las diferentes caractersticas
relacionadas con el diseo de la red neuronal, entre ellas, el algoritmo de
entrenamiento, la topologa y la funcin de transferencia ms adecuada para la
solucin del problema. De esta forma se plantearon diferentes tipos de redes,
en un principio de forma heurstica, siempre con la poltica de encontrar los
mejores resultados con el menor nmero de neuronas posibles; sin embargo
los resultados obtenidos con estas dos nicas variables, no fueron
satisfactorios. Los errores obtenidos durante el entrenamiento y la simulacin
se pueden apreciar a continuacin.
Tabla 2. Errores de entrenamiento y validacin para el Modelo 1
Error Cuadrtico Medio Error Absoluto MedioEntrenamiento 0.7180 0.0526
Validacin 0.0434 0.0414
63
8/11/2019 124195
64/165
Tabla 3. Entradas y salidas de la red neuronal al Modelo 1
Entrada Salida
Mes
Produccin de
petrleo
1 P1
2 P2
3 P3
4 P4
N Pn
Figura 9. Simulacin del Modelo 1
El segundo modelo propuesto surge como complemento del primero, en aras
de obtener una mayor precisin en los resultados. Se introdujo entonces para
este fin una segunda variable de entrada.
64
8/11/2019 124195
65/165
3.1.3 Das de produccin de cada mes
A medida que se fue desarrollando la investigacin se observ que la
produccin de algunos meses difera notablemente de la tendencia esperada;esto surge como consecuencia de que el pozo no estuvo activo durante todo el
tiempo sino que su produccin fue suspendida, bien sea por labores de
mantenimiento por fallas tcnicas. A raz de esta observacin se mejor el
primer modelo considerando esta variable que corresponde exactamente con
los das que realmente el pozo produjo durante un mes.
Luego de los cambios realizados al primer modelo, la prediccin de laproduccin se ajust de una mejor forma a los datos presentados durante el
entrenamiento; sin embargo siempre se busca que los resultados obtenidos
mediante la simulacin sean cada vez ms cercanos a los reales. Esto se
puede apreciar en la tabla 4, que contiene los errores obtenidos durante el
entrenamiento y la simulacin del modelo 2.
Tabla 4. Errores de entrenamiento y validacin para el Modelo 2
Error Cuadrtico Medio Error Absoluto Medio
Entrenamiento 0.0163 0.0362
Validacin 0.0089 0.0278
Tabla 5. Entradas y salidas de la red neuronal Modelo 2
Entradas Salida
Mes
Das
Produccin
Produccin de
petrleo
1 31 P1
2 22 P2
3 30 P3
4 12 P4
N # Das Pn
65
8/11/2019 124195
66/165
8/11/2019 124195
67/165
8/11/2019 124195
68/165
8/11/2019 124195
69/165
8/11/2019 124195
70/165
un buen efecto sobre los resultados obtenidos, mejorndolos sustancialmente.
Las tcnicas de preprocesamiento de la informacin utilizadas fueron:
3.2.1 Transformacin de Variables Nominales a Numricas
El tipo de bombeo viene expresado en los datos histricos de produccin, por
valores alfabticos, este formato no es compatible con los valores de entrada
de la red, pues no hay forma de que sta los utilice en operaciones aritmticas.
Por ello se le asignan valores discretos entre 0 y 1 para representar dicha
categorizacin. En la tabla 8 se resume este procedimiento.
Tabla 8. Transformacin de variables nominales a numricas
Tipo de Bombeo Valor Alfabtico Categorizacin
Flujo Natural F 0
Mecnico B 0.25
Electro-sumergible BE 0.5Hidrulico BH 0.75
Otros Otros 1
3.2.2 Filtrado
Consiste en repasar la serie de los datos pertenecientes a la produccin
buscando posibles datos atpicos. Se ha identificado, en los diferentes archivos
de pozos estudiados, datos que no estn dentro de la tendencia esperada, bien
sea por un aumento casual y puntual en algunos meses de produccin, por
su decremento, que muchas veces puede interpretarse como un error en el
registro de la informacin, y otras veces como un cambio repentino producto de
algn procedimiento tcnico provisional.
70
8/11/2019 124195
71/165
8/11/2019 124195
72/165
Una vez conocido el nmero de entradas y salidas a tener en cuenta, se pasa a
considerar las diferentes caractersticas relacionadas con el diseo de la red,
entre ellas, el algoritmo de entrenamiento y la topologa ms adecuada para la
solucin del problema.
Figura 13. Diagrama de flujo del filtrado de datos
Dentro de la topologa de red se define el tipo de red, nmero de capas,
nmero de neuronas por capa y las funciones de transferencia, que mejor se
adapten a las caractersticas inherentes de los datos con que se cuenta.
72
8/11/2019 124195
73/165
3.3 ARQUITECTURA DE RED
A pesar de la amplia variedad de modelos y variantes de redes neuronales que
existen, pocos son los que habitualmente se utilizan a la hora de desarrollaraplicaciones. Desde el punto de vista prctico, los ms utilizados son el
perceptrn multicapa o MLP (Multilayer Perceptron), dentro de los modelos de
aprendizaje supervisados, y los mapas auto-organizativos o mapas de
Kohonen (Self-organizing Feature Maps), red de Hopfield o las ms recientes
funciones de base radial o RBF (Radial Basis Function), englobados dentro de
los modelos no supervisados46. Tambin se utilizan modelos hbridos de redes
neuronales con lgica borrosa, entre los ms usados est el ANFIS (AdaptiveNeuro Fuzzy Inference System).
3.3.1 Redes de Base Radial (RBF)
En las redes de base radial, aadir o eliminar unas pocas neuronas ocultas
podra influir significativamente en los resultados obtenidos por la red. Esto se
debe a que cada neurona oculta representa una determinada regin del
espacio de entrada, pudiendo no estar adecuadamente representado, bien sea
por la presencia de pocas clases, o por la presencia de muchas neuronas
ocultas en una misma zona, que tienen como consecuencia negativa la mala
aproximacin de la red. Por ello las neuronas pertenecientes a la capa oculta
en una RBF poseen un carcter local, lo que supone que deba tenerse un
rango delimitado en las entradas de la red, para que esta pueda ser manejable
en trminos de tiempo de procesamiento, de recursos computacionales y de
predicciones acertadas. Dicho en trminos prcticos, las RBF pueden ser
aplicadas en modelos tales como el de la prediccin del consumo de energa
elctrica, donde, bajo ciertas condiciones de entrada como el mes, da,
temperatura y hora entre otros factores, la salida tendr un valor que slo
depende de estos, independientemente del ao en que se encuentre; en este
46 Vase Martn del Peso, Mnica: Aplicaciones de las redes neuronales artificiales a problemas de
prediccin y clasificacin financiera, Madrid: Universidad Rey Juan Carlos, 2005. p 63.
73
8/11/2019 124195
74/165
sentido puede considerarse este sistema como cuasi-esttico en el tiempo. Por
el contrario, el comportamiento de la produccin en un pozo petrolero no se
puede limitar a un rango predefinido porque la lnea de tiempo puede
extenderse tanto como registros histricos haya y de qu tan amplio sea el
plazo escogido de simulacin; adems, debido a la naturaleza declinante del
pozo a lo largo del tiempo, las mismas condiciones de operacin no
necesariamente suponen un comportamiento similar a uno observado
anteriormente.
La desventaja de utilizar este tipo de redes se evidenci de manera clara y
concluyente, luego de hacer las pruebas en Matlab y observar elsobreentrenamiento con los datos propuestos y una psima generalizacin del
patrn. Se concluy entonces que las redes de base radial no eran las idneas
para el desarrollo de nuestro trabajo. Los resultados grficos, se pueden
apreciar en la fig. 13.
Tabla 9. Errores de entrenamiento y validacin para la red RBF
Error Cuadrtico Medio Error Absoluto Medio
Entrenamiento 4.048 x 10-11 2.925 x 10-4
Validacin 0.2789 0.5264
3.3.2 Sistemas Neuro-Borrosos
Se estudi la viabilidad de utilizar ANFIS, que es un sistema hbrido que
combina tcnicas de RNA y sistemas de inferencia borrosa, para la solucin de
nuestro problema, pero por los pobres resultados obtenidos en el proceso de
simulacin, se opt por descartar esta opcin.
74
8/11/2019 124195
75/165
Tabla 10. Errores de entrenamiento y validacin para ANFIS
Error Cuadrtico Medio Error Absoluto Medio
Entrenamiento 0.0046 0.0403
Validacin 0.1112 0.0718
Figura 14. Simulacin y validacin utilizando RBF
75
8/11/2019 124195
76/165
Figura 15. Simulacin y validacin utilizando ANFIS
3.3.3 Perceptrn Multicapa
Debido al conocimiento previo que se tiene del pozo petrolero a estudiar,
representado en los datos de produccin, unido a la relacin altamente no
lineal entre las variables consideradas, y como consecuencia de los pobres
resultados obtenidos con las redes de base radial y con los sistemas neuro-
borrosos, se decidi que una arquitectura perceptrn multicapa, que permite un
aprendizaje de tipo supervisado, es la adecuada para el desarrollo del modelo.
Algunas de las ventajas que ofrecen las redes tipo perceptrn multicapa son:
Gran variedad de algoritmos de entrenamiento que permiten que el
modelo converja en un tiempo reducido.
Posibilidad de ser entrenadas y simuladas en lnea, suministrando al
modelo los datos de produccin en el mismo instante en que estos son
obtenidos.
Capacidad de generalizacin, que permite obtener resultados
coherentes a partir de datos no suministrados durante el entrenamiento.
76
8/11/2019 124195
77/165
8/11/2019 124195
78/165
para llegar a una solucin, o dicha tendencia es muy lenta, es posible que se
necesiten ms neuronas. Si converge, se puede probar con un nmero menor
de neuronas. El tamao final de la capa se define basndose en el rendimiento
global del sistema. Otro criterio de seleccin se basa en que el error cuadrtico
medio (MSE) para el conjunto de entrenamiento y validacin sea el menor, lo
que sugiere que el nmero de neuronas correspondientes son las adecuadas
para la fase de entrenamiento.
La configuracin de la Red Backpropagation con el mejor desempeo se
calcul utilizando una rutina en matlab 6.5 , que variaba el nmero de neuronas
para una y dos capas ocultas. Dicho nmero se modific entre un mnimo de 2y un mximo de 10 neuronas, empezando por la primera capa oculta y
continuando con la segunda, hasta probar todas las configuraciones posibles.
Este proceso se repeta 10 veces en cada ejecucin del programa,
asegurando que se encontrara la mejor configuracin posible entre todas las
redes que se entrenaban. Se analiz en total 10*9 y 10*36 redes en cada
ejecucin, para pruebas con una y dos capas ocultas respectivamente.
Para evaluar el buen desempeo de la red es necesario comparar los valores
reales y los estimados por la red con el fin de calcular el error en la simulacin,
es por eso, que en una misma ejecucin de la rutina, se calculaba el error
cuadrtico medio y el error total. Estos valores se comparaban con los
calculados para la red anterior, y si mejoraban, se guardaba esta nueva
configuracin como la mejor. En las tablas 11 y 12, se muestran los diferentes
errores con los que se evalu el desempeo de la red con una capa oculta.
78
8/11/2019 124195
79/165
Tabla 11. Errores de entrenamiento y tiempo consumido para redes de 1 capa oculta
Errores de entrenamiento
ConfiguracinDe la red Error cuad