SELECCIÓN DE OPORTUNIDADES DE APLICACIÓN DE MÉTODOS EOR/IOR BASADA EN LEARNING MACHINE.

Parte II: AI (Artificial Intelligence).


AI (Artificial Intelligence).
Los métodos de inteligencia artificial (AI), específicamente: Neural Networks, Fuzzy Logic y Expert System, son usados, generalmente, como soporte a las operaciones de explotación y producción, su uso varía dependiendo del problema específico; todo el potencial de estos sistemas de procesamiento de información es usado para construir modelos previsivos de producción. Una técnica novedosa en estas soluciones de inteligencia artificial es la conocida como Machine Learning (ML), una posible realización de esta técnica es la combinación de técnicas de agrupamiento y algoritmos de reglas de extracción. En este avance, toda la data disponible es usada para extraer procesos implícitos y explícitos, o estrategias de explotación asociadas a la data; esto ha producido un desarrollo excelente ligado a simplicidades para la solución final. Con estas técnicas, las probabilidades de tener éxito son fuertemente relacionadas a la información disponible, su cantidad y calidad, y a la existencia de experiencia reconocida.
Screening EOR.


Durante los pasados 20 años, el criterio screening ha sido trabajado para evaluar, en un número de yacimientos, la aplicabilidad de diferentes procesos EOR/IOR en un modo simple, antes de que sea realizada alguna evaluación de manera detallada. Muchos programas de computación o modelos analíticos han sido desarrollados para seleccionar la factibilidad de los métodos IOR y predecir su recobro basado en criteria screening. Por otro lado, esta tecnología ha improvisado la aplicación de este criterio a través de técnicas de inteligencia artificial para seleccionar y diseñar procesos IOR y hasta análisis de riesgos e incertidumbres. Yacimientos de petróleo y gas representan un sistema complejo con gran grado de incertidumbre, comenzando con la definición de parámetros importantes, y finalizando con la disponibilidad y calidad de data.

Por esto se busca proponer y desarrollar un trabajo de AI basado en ML (Machine Learning), donde sea posible identificar, basado en una reducción de variables de las características del yacimiento, la tipología del mismo. La combinación del espacio reducido de representación con el avance de máquinas de entendimiento abre diferentes vías de métodos screening, por medio de mapas bidimensionales que claramente muestran tipos de yacimientos usando 6 variables. Los mapas generados permiten establecer la aplicabilidad del criterio, basados en experiencias internacionales de procesos EOR.


Fig. 1. proyección de la base de datos Internacional, utilizada para el criterio de screening.



Fuente: paper SPE #78332

Entradas populares de este blog

Simulación Diferencial Finita ECLIPSE

Imagen
La Simulación diferencial finita de yacimientos es una de las herramientas mas usadas para apoyar las decisiones de la Gerencia de yacimientos, desde la determinación de las reservas, a través de una planificación inicial de la etapa de producción y el diseño de las instalaciones de superficie, así como el diagnóstico de problemas. El simulador de yacimientos ECLIPSE es un software que permite a los ingenieros predecir y manejar eficientemente el flujo de fluidos creando modelos de una manera más certera. ECLIPSE permite plantearse cuestionamientos sobre la viabilidad económica de la explotación de un yacimiento, como por ejemplo: - Cuan cierto es la estimación de reservas? Puedo minimizar la incertidumbre? - Como es la distribución de los hidrocarburos en la formación? - Que tan difícil puede ser la recuperación de los hidrocarburos y que técnicas de producción y tasas son las mejores? - Donde debo localizar las próximos pozos para maximizar el recobro y recuperar la inversión?, etc. ...
Leer más

Simulación de Yacimientos: Limitaciones y Etapas de un estudio de simulación

Naturalmente esta técnica también tiene limitaciones, principalmente ligadas al carácter aproximativo de las soluciones obtenidas. A continuación se muestra una lista de estas limitaciones,las cuales no deben llamarnos a engaño para concluir que entonces la simulaciones de yacimientos no tiene tanta utilidad como se pretende. Las limitaciones de la simulación de yacimientos suelen ser: Producen soluciones aproximadas. Los resultados de salida dependen de los datos de entrada. El ajuste de la historia no es garantía de predicción precisa del futuro (la solución no única). Los datos históricos suelen tener cierto grado de incertidumbre. Igualmente los datos geológico y petrófisicos (se extrapolan de algunos puntos, como son los pozos, al campo completo). Las mismas ecuaciones diferenciales son simplificados de la realidad. Mayor costo, esfuerzo.etc. A veces, a lo largo de un estudio de simulación, da la impresión de que no se avanza, no se logra el ajuste histórico, aparecen pro...
Leer más

El Yacimiento Virtual (Parte III)

Imagen
Procesamiento en paralelo en Venezuela Existen modelos de yacimiento de gran tamaño, poseen millones de celdas de retículas, en donde se captura la mayor cantidad posi­ble de los datos geológicos de relevancia. Este tipo de modelos requieren mucho más tiempo para encontrar la solución. Los datos de la historia de producción que abarcan varias déca­das y cientos de pozos aumentan más la comple­jidad de la simulación y el tiempo de solución. Un procesador de una computadora no puede solucionar un problema de mega-bloques de un día para otro, pero si se divide el modelo en varias partes, varios procesadores pueden operar en forma simultánea. Las versiones del simulador VIP y del simulador ECLIPSE utilizan el procesa­miento en paralelo de esta forma. Al duplicar el número de procesado­res que operan en paralelo reduciría el tiempo de ejecución a la mitad. Sin embargo, la división ine­ficiente del problema y la comunicación de proce­sador a procesador disminuyen ese nivel de aumento en la v...
Leer más