La ciencia de datos como base para la optimización de los recursos en la industria de los hidrocarburos

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.

Actualmente en Venezuela existe una empresa dedicada al estudio y aplicación de este tipo de tecnologías en la industria petrolera. Esta empresa desarrolló una herramienta llamada “AJ Analytic tool” que incluye todas las fases de la metodología CRISP-DM y permite realizar un análisis robusto de los diferentes parámetros que intervienen durante la producción y operación de los pozos. La herramienta permite organizar rápidamente bases de datos estructurados y no estructurados, la caracterización estadística de los mismos y el proceso de modelado probabilístico. La fase de modelado incluye un modelo probabilístico de predicción basado en tres técnicas de machine learning (regresión lineal multivariable, regresión polinómica y redes neuronales) los cuales permiten predecir la producción de petróleo en muy pocos segundos y con bajos errores, adicionalmente, utiliza otra técnica de machine learning (árbol de decisiones) que permite determinar los parámetros que afectan la productividad del pozo y el comportamiento del sistema de levantamiento, por otro lado, la herramienta permite detectar fallas y anomalías en poco tiempo, que pueden ser determinantes para la toma de decisiones, considerando: realizar cambios operativos, optimización de los sistemas de producción, mantenimiento preventivo a los equipos, servicios a los pozos o estimulaciones según sea el caso.

...