La ciencia de datos como base para la optimización de los recursos en la industria de los hidrocarburos
Enviado por Adriana A. Mijares M. • 21 de Agosto de 2021 • Documentos de Investigación • 718 Palabras (3 Páginas) • 77 Visitas
La ciencia de datos como base para la optimización de los recursos en la industria de los hidrocarburos
Adriana Mijares
Caracas, 8 de Agosto de 2021
La administración del tiempo y el resguardo de los datos como principal activo son algunos de los recursos más importantes en la industria petrolera. En la administración del dato se dedica una gran cantidad de tiempo a la recolección y preparación para su posterior análisis, dicha tarea se complica aun más cuando la cantidad de datos a analizar es extensa y variable, por lo tanto, se requiere una mayor cantidad de horas-hombre por parte del equipo encargado de esa tarea, lo que se traduce en mayores costos para la compañía a cargo.
En los últimos años se ha observado un aumento notable en el uso de tecnologías como Machine Learning y Data Science en diversas áreas, entre la cuales se incluye la industria de los hidrocarburos. Importantes empresas petroleras como Shell, TransOcean, SBM Offshore, Equinor y Devon Energy han aumentado su productividad considerablemente al utilizar este tipo de tecnologías y analizar grandes cantidades de datos en los diferentes departamentos que les permiten detectar tendencias y les facilitan la toma de decisiones (Ognjen Grujic, 2016).
En la industria petrolera, se maneja gran cantidad y variedad de datos provenientes de los procesos de exploración y explotación de hidrocarburos, tales como: registros de pozos, análisis de núcleos y fluidos, datos de producción, servicios, entre otros. Frecuentemente, los datos son almacenados para ser analizados posteriormente por el departamento encargado, con el fin, de predecir o estimar algunos parámetros que no se pueden cuantificar directamente (como las reservas o la declinación de un yacimiento) y que normalmente requieren de mucho esfuerzo, experiencia y tiempo por parte de los ingenieros para ser llevado a cabo de una manera satisfactoria (Primera Alejandro, 2018). Por otra parte, al omitir datos para facilitar y agilizar el proceso de análisis, es posible que se pueda pasar por alto información que ayude a describir algún patrón o tendencia y que describa mejor el comportamiento de algunos parámetros de interés.
Gracias al desarrollo de tecnologías como Data Science y Machine Learning en conjunto con sistemas computarizados más rápidos y poderosos, ahora es posible analizar una gran cantidad y variedad de datos en un tiempo relativamente corto en comparación con la manera en la que se realizaban normalmente, es decir, que el equipo encargado invirtiera horas o días incluso recolectando y preparando los datos para su posterior análisis.
La metodología de análisis de datos CRISP-DM (Cross-Industry Standard Process for Data Mining, según sus siglas en inglés) es la más utilizada a nivel mundial por su gran alcance y abarca 6 fases: el entendimiento del negocio, estudio y comprensión de los datos, el análisis y la preparación de los datos, el modelado, la evaluación y por último el despliegue (Ognjen Grujic, 2016). Sin embargo, cada una de las industrias debe adaptar la metodología a su modelo de negocio.
...