La inteligenica artificial aplicada en la perforación depozoz petroleros

   MAESTRÍA EN INGENIERÍA Y ADMINISTRACION DE NEGOCIOS PETROLEROS[pic 1]

[pic 2]

PERFORACIÓN DE POZOS

INDUSTRIA OIL AND GAS: COMO LAS TÉCNICAS DE MACHINE LEARNING AGREGAN VALOR

“LA INTELIGENCIA ARTIFICIAL PARA LA IDENTIFICACIÓN DE LITOLOGÍA EN TIEMPO REAL”

Alumno: Raúl Terrones Guevara

Catedrático: Dr. Vladimir Martínez Bernardino

Xalapa, Ver., a 30 agosto 2023

INTRODUCIÓN

Las empresas en el giro de hidrocarburos a nivel mundial, son responsables de operaciones continuas, seguras, confiables y que cumplan con la normatividad vigente en cada país o región, al mismo tiempo que abordan las presiones ambientales, la demanda, el robo e incluso las amenazas a la seguridad cibernética. La capacidad de análisis de información obtenida por los diferentes grupos multidisciplinarios que interactúan en el sector energético, los datos en tiempo real, presentan desarrollo a pasos agigantados en la industria y ofreciendo grandes beneficios a las empresas y a los consumidores. La Inteligencia Artificial (IA) aplicada se integra de las Redes Neuronales Artificiales (RNA), interpretación de registros, respuestas de paro de emergencias, control de pozos, etc. En el siguiente texto se plasmará de forma general información relacionada como las técnicas de machine learning  aplicadas en la industria del petróleo agregan valor, así mismo se analiza la aplicación de la IA para la identificación de litología en tiempo real.

Las Redes Neuronales Artificiales en la industria petrolera.

        La aplicación de las redes neuronales como elemento de análisis de datos, donde antes era una alternativa, hoy una necesidad para la solución de problemas,

En la industria petrolera, las RNA se utilizan para resolver problemas complejos y tomar decisiones basadas en datos. Estas redes pueden analizar grandes cantidades de información geológica, geofísica y de producción que permite maximizar los tiempos de estudio en correlación de parámetros.

        En muchos de los sectores comerciales transnacionales se ha introducido en sus operaciones con gran éxito el análisis de datos de manera automatizada, potenciando los tiempo de respuesta y soluciones exitosas.

        En materia de exploración y desarrollo del sector hidrocarburos, la generación de información es enorme y se multiplica día a día, se requiere de equipos más veloces y potentes para realizar los análisis para determinar las acciones más viables en el menos tiempo posible y con factor de éxito mayor, sin embargo no se ha alcanzado el dominio total en materia de manejo de datos para el procesamiento total.

        Los avances de la IA y las técnicas de Machine Learning y el procesamiento natural del lenguaje (PNL) han permitido extraer información estructurada de texto libre. No obstante, el mayor reto es la aplicación de estas tecnologías a datos no estructurados, es comprender los términos específicos de la industria para ayudar a entrenar los modelos desarrollados exprofeso en materia de IA. (Rivorosa, Alejandro, 2020)

        Las tres sectores del petróleo upstream, midstream y downstream involucran el mercado de hidrocarburo, y es en estos donde la IA hace su presencia.

        Para efecto de estudio de aplicación de la AI, nos enfocaremos en  el upstream, en un pozo de perforación, donde  la generación de información es muy amplia, dada la variedad de fuentes a consultar, algunos de los registros útiles puede ser:

• Estudios sísmicos.
• Registros de formación y litológicos.
• Diferenciación de equipos debido a sus características (profundidad, almacenamiento, potencia).
• Análisis de fluidos.
• Mediciones de presión estática y de flujo.
• Pruebas periódicas de producción de pozos.
• Registros de los volúmenes mensuales de fluidos producidos (petróleo, gas y agua).

Un vez determinado el objetivo del estudio, con estos datos se puede analizar y relacionar la información recolectada donde un grupo multidisciplinario generar las preguntas correctas para obtener las respuestas correctas.

El trabajo multidisciplinario permite un abanico de oportunidades como son:

• Incrementar la seguridad de las operaciones, reduciendo riesgos propios de la actividad y evitando accidentes.
• Determinación de barrena.
• Realizar predicciones de consumo de combustible.
• Reducir costos operacionales analizando los datos sísmicos de la superficie a perforar.
• Minimizar el tiempo de inactividad de la maquinaria evaluando las condiciones de operación de los equipos junto con las condiciones climáticas.

En la recolección de datos o internet de las cosas (IoT) es la tecnología que permite que exista un intercambio de información entre maquinaria, dispositivos y otros equipos se comuniquen entre si. Esto posibilita que la industria del sector administre y almacene datos, desarrolle aplicaciones y establezca protocolos de seguridad de acuerdo a sus necesidades. Algunos ejemplos son:

• Sensores sísmicos. Mapeo subterráneo para determinación de nuevos yacimientos.
• Monitoreo de operaciones acústicas. Miden continuamente la composición del petróleo y el flujo volumétrico para reducir el uso de maquinaria costosa.
• Monitoreo de tanques basado en sensores. Los sensores monitorean el rendimiento del equipo en tiempo real.
• Réplicas digitales de activos físicos simplifican el análisis de cambios.

Toda la información se recabada se almacenan en la nube. Envían alertas ante cuando los parámetros salen fuera de rango normal de operaciones, detectando posibles problemas y facilitan la toma de decisión anticipada, mediante la visualización de gráficos en sus paneles digitales.

        Los resultados obtenidos en proyectos exitosos están basados en la compresión de información y armonización de datos, todo esto en conjunto con los especialista en IA permiten ofertar, desarrollar, analizar y validar hipótesis viables rentables.

        A continuación se presenta un ejemplo de aplicación en la perforación de pozos.

        Síntesis “La IA para la identificación de litología en tiempo real” Alireza Moazzini, Mohammad Ali Haffar. Departamento de Ciencias de la Ingeniería, Rama Omidiyeh, Univeridad Islámica Azad, Omidiyeh, Irán.

        Conocer la formación y la litología en un pozo durante la perforación, es determinante para evitar tiempos de atraso generados por pérdida de circulación, retrocesos, disminución en optimización de la barrena, etc. Aun que existe el análisis de litológico o de registros, no existe ningún método para determinar antes o durante la perforación con un alto grado de precisión esta información. Bajo este requerimiento operativo existes las Redes Neuronales que puede realizar un mapeo no lineal de entrada y salida, donde la IA puede ser de gran ayuda. Mediante el uso de una red neuronal artificial se realiza el análisis de recorte de perforación y litológico en tiempo real con precisión aceptable. Se seleccionaron 47,500 conjunto de datos de 12 pozos en el sur de Irán, se analizaron y se realizó el control de calidad, se alimentó la red neuronal artificial con la información y los resultados mostraron una precisión cercana la 90% al determinar la formación y litología.

        La aplicación de las redes neuronales artificiales se utiliza para eficientar la operación, disminuyendo los tiempos de análisis, como es de su conocimiento existe métodos tradicionales de análisis como son el trabajo de determinación de los geólogos, los registros, análisis de roca en superficie, lo cual implica mayor tiempo para la toma de decisiones.

        Para el análisis de información se tomó en cuenta en la perforación los siguientes parámetros: Profundidad, velocidad  de perforación, torque, peso de la broca, RPM, presión de bomba, broca, tamaño y características IACD de la misma, longitud de intervalo, vida útil de la barrena, pero del lodo y flujo total en barrena.

        El resultado obtenido con la red neuronal de la litología, asigna códigos a las formaciones como se muestra en la siguiente tabla:[pic 3]

Se detectaron 4 tipos de formaciones  como son caliza, dolomita, esquistos y anhadrita, se le asigna una columna a cada una de ellas, lo cual permite obtener de resultado un código de 5 dígitos, el primero muestra el tipo de formación y este se presenta entre el 1 y 24, los otros cuatro dígitos representan la litología, que puede ser 0 y 1.

[pic 4]

...