Desarrollo de una herramienta de análisis de datos de producción y operatividad de un grupo de pozos, usando métodos de Data Science y Machine Learning

Abstract

Durante las operaciones regulares en la industria petrolera, se genera una gran cantidad de información de distinta índole, la cual, es necesario procesar para poder transformarla en datos de valor que faciliten la toma de decisiones. Este TEG buscó analizar bases de datos de producción y de servicios a pozos (manejo de bombas de cavidad progresiva) en un campo que trabaja con un sistema automatizado de producción y procesos. En el desarrollo se usaron técnicas y metodologías de Data Science, implementando la metodología CRISP-DM, que consta de 6 etapas: comprensión del negocio, comprensión y preparación de los datos, modelado, evaluación y, por último, el despliegue. Para lograr los objetivos se diseñaron distintos algoritmos, con la finalidad de unificar bases de datos, mejorar la calidad de los datos y generar modelos a través de técnicas de Machine Learning para la predicción de producción y el análisis del comportamiento de bombas de cavidades progresivas. Entre las técnicas evaluadas están: la regresión lineal multivariable, regresión polinomial, redes neuronales artificiales, support vector machine, K- nearest neighbors y árbol de decisiones. La herramienta permitió procesar y analizar los datos de producción y operación de 40 pozos y determinar la técnica de Machine Learning con mejor ajuste. Los resultados mostraron que el modelo de predicción con mejor ajuste es el polinomial de grado 2, seguido por la red neuronal, mientras que, para el análisis del comportamiento de las bombas, la técnica con mayor precisión fue el árbol de decisiones, logrando identificar 6 tipos de problemas operacionales. El desarrollo de esta herramienta permitió predecir producción y realizar un análisis rápido y eficiente de los datos, con la finalidad de optimizar el funcionamiento de los pozos.