UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA DE PETRÓLEO, GAS NATURAL Y

PETROQUÍMICA
TRABAJO DE INVESTIGACIÓN

APLICACIÓN DE INTELIGENCIA ARTIFICIAL

“MACHINE LEARNING” EN LA DEFINICIÓN
DE CRITERIOS DE SELECCIÓN DE
PROYECTOS EOR
OBJETIVOS
En el presente trabajo de investigación se determinará que método de recuperación mejorada del
petróleo, se podrá aplicar con mayor efectividad en los reservorios de los lotes 8, 39, 67 y 192 en
base a características específicas del petróleo y del reservorio analizado. Se hizo uso de métodos
analógicos para comparar los resultados de proyectos EOR aplicados previamente en reservorios
con características definidas. Basándonos en la definición de inteligencia artificial para la
determinación del proyecto EOR más adecuado de aplicar al reservorio.
MATRIZ DE CONSISTENCIA
¿Cómo aplicar las redes Desarrollar un programa La base de datos usada Desarrollo y aplicación de
neuronales en la basado en las redes para entrenar el Machine Learning en otros
ingeniería de reservorios neuronales para programa debe ser países.
para seleccionar los seleccionar los métodos confiable y abundante Trabajos de investigación
métodos EOR adecuados EOR adecuados para los para que pueda predecir relacionados al Artificial
para los campos campos petroleros de la el método EOR adecuado neural Network.
petroleros de la Selva del Selva del Perú. para los campos Screening de los métodos
Perú? petroleros de la Selva del EOR para crudo pesado.
Perú. Data de los campos de
petróleo de la Selva
Peruana.
IMPORTANCIA DE LA
ELECCIÓN DEL MÉTODO EOR
 REDES NEURONALES
Las Redes Neuronales son un campo muy importante dentro de la Inteligencia Artificial.
Inspirándose en el comportamiento conocido del cerebro humano (principalmente el
referido a las neuronas y sus conexiones), trata de crear modelos artificiales que
solucionen problemas difíciles de resolver mediante técnicas algorítmicas
convencionales.
MACHINE LEARNING
PREPARACIÓN DEL ALGORITMO
Los datos utilizados para entrenar y probar las redes se extraen de los informes especiales. Los
cuales incluyen nombre del campo, la roca del yacimiento y las propiedades de los fluidos, entre
otros.
Las neuronas de la capa de entrada están diseñadas para ser las principales propiedades del
yacimiento. Los diagramas de dispersión bidimensionales muestran las propiedades de yacimiento
que afectan la elección del método EOR. En consecuencia, las propiedades del yacimiento:
profundidad, temperatura, porosidad, permeabilidad, saturación inicial de oil, gravedad del oil,
viscosidad del oil se seleccionaron como las variables de entrada del modelo ANN.
Se genera una nueva variable agrupando los parámetros de entrada del reservorio para muestrear
los datos que se utilizaran para la capacitación, dos tercios de los datos totales se seleccionan en
base a esta variable grupal como se resumen en la tabla 1.

TABLA 1.
RESULTADOS
Los datos de información obtenida en yacimientos donde ya se realizaron proyectos EOR,
se usarán como punto de partida para realizar las analogías respecto a las características
del yacimiento de análisis y la data real probada.

De acuerdo con los resultados que se obtengan se verá si cumplen con los rangos
establecidos para cada característica especifica del reservorio en los proyectos EOR. En la
tabla 1 se verán los diferentes métodos EOR con sus rangos de aplicación.
TABLA 6. DATOS DE CAMPOS CANADIENSES
Tabla 4
Propiedades del oil Propiedades del reservorio
METODOS So
u(cP) °API hp (ft) k(mD) Φ(%) depth(ft) Tres(°F) Pres(psia) Litologia
actual(%)
Inyeccion de
<100 >15 >50 n.c. >10 n.c. <9000 <200 n.c. arenas
polimeros

Inyeccion de
quimicos
Inyeccion de
<20 <25 >25 n.c. >20 n.c. <8500 <250 n.c. arenas
surfactantes
Inyeccion de
<150 15-35 >25 n.c. >50 n.c. n.c. <200 n.c. arenas
alcalinos
Inyeccion de ASP <10 >20 >35 n.c. >10 n.c. n.c. <175 n.c. arenas
arenas
Combustion in situ n.c. 10-45 50 >10 n.c. >10 >500 n.c. n.c. altamente
porosas
arenas
>100 3000- uniformes sin
THAI n.c. 10-25 n.c 8-100 n.c. n.c. n.c.
0mD 5000 presencia de
gas libre

arenas con alta

Termicos

Inyeccion de CO2
n.c. 10-25 35-80 >20 n.c. n.c. >2300 n.c. n.c. porosidad y
(Huff and Puff)
permeabilidad

arenas con alta

Inyeccion de N2
n.c. 10-25 35-80 >20 n.c. n.c. >2300 n.c. n.c. porosidad y
(Huff and Puff)
permeabilidad

arenas con alta

Inyeccion de vapor >100
n.c. 10-25 35-80 >20 >20 <5000 n.c. n.c. porosidad y
continua 0md
permeabilidad

Nitrógeno y gas de Arenisca o

Desplazamiento

>0.4-0.2 >35-48 >40-75 n.c. n.c. n.c. >6000 n.c. n.c.

combustión carbonato
Miscible

Arenisca o
Hidrocarburos >3-0.5 >23-41 >30-80 n.c. n.c. n.c. >4000 n.c. n.c.
carbonato

Arenisca o
CO2 >10-15 >22-36 >20-55 n.c. n.c. n.c. >2500 n.c. n.c.
carbonato
 propiedades del oil propiedades del reservorio
Yacimiento reservorio Predicción por Machine
u(cP) °API So actual(%) hp (ft) k(mD) Φ(fracc) depth(ft) Learning
Cetico 3.2 24.5 74.7 44.6 500 21 9742.5 CO2 miscible
Pona 2.3 24.5 66 28.9 200 19 9366.8 Combustion
Corrientes
Vivian 3.7 23.5 65 21.5 1000 21 8769.5 Hydrocarbon miscible
Pozo basal 3.9 23 69 7.9 300 21 7899.9 CO2 miscible
Cetico 3 25 44 22.9 500 13.4 9208.3 Hydrocarbon miscible
Pavayacu Vivian 0.5 45 65 23.1 2000 20 8325.5 Hydrocarbon miscible
Pona 0.9 36 44.3 14.9 150 14.8 8908.8 Hydrocarbon miscible
Chambira Cetico 2.5 26.5 58 17.3 1250 17 11719.2 Hydrocarbon miscible
Vivian 7.2 19 50.4 28.5 1400 20.3 10655.5 Hydrocarbon miscible
Yanayacu
Pona 7.2 19 55 11.6 100 13.5 11128.6 CO2 miscible
Capahiari Vivian 2.7 27 59.41 23.7 300 14.5 11911.0 CO2 miscible
Norte Chonta 0.82 35.8 66.4 13.6 1 12.8 12868.0 CO2 miscible
Capahuari Vivian 1.48 35.3 84 54.2 1000 16.5 11795.0 CO2 miscible
Sur Chonta 0.4 35.2 76 21.9 60 12.0 12636.0 CO2 miscible
Vivian 9.2 21.9 66.04 26.3 750 17.1 9764.1 Hydrocarbon miscible
Carmen
Chonta 0.4 39.9 67.9 10.4 100 12.2 10486.5 CO2 miscible
Vivian 1.2 32.3 68.8 31.0 1500 18.2 10639.0 Hydrocarbon miscible
Dorissa
Chonta 0.6 40 66.37 15.3 40 12.8 11401.0 CO2 miscible
Jibarito Vivian 66.5 10.4 74.6 54.6 4000 47 9552.0 Hydrocarbon miscible
Basal T. &
46.2 19.4 21.0 7730.0 Hydrocarbon miscible
Vivian 70 11.5 2000
San Jacinto
Chonta 2.5 28 67.6 46.1 500 19.1 7788.0 CO2 miscible
Basal Chonta 30 14.5 69.1 11.1 300 19.1 8412.0 CO2 inmiscible
Basal Terciario 70.00 11.4 61.7 22.5 1000.0 21.4 7113.0 Hydrocarbon miscible
Bartra Vivian 80.00 11.4 68.6 34.2 4000.0 20.6 7248.0 Hydrocarbon miscible
Chonta 80.00 11.4 49.4 6.5 1000.0 17.3 7818.0 CO2 miscible
Vivian 4.00 18.9 64.17 44.0 800.0 17.9 9002.0 Hydrocarbon miscible
Forestal
Chonta 0.95 34.5 61.3 20.9 100.0 16.2 9626.0 Combustion
Vivian 2.50 27.5 63.8 26.5 500.0 16.4 10045.0 CO2 miscible
Huayuri Sur
Chonta 0.40 38.2 69.2 10.0 200.0 14.0 10766.0 CO2 miscible
Huayuri
Vivian 7.00 20.7 67.27 26.8 160.0 20.1 10001.0 CO2 miscible
Norte
Vivian 7.20 20.2 65 37.3 1000.0 16.0 9253.0 Hydrocarbon miscible
Shiviyacu
Chonta 0.92 34.9 66.6 19.8 120.0 16.5 9962.0 CO2 miscible
Shiviyacu
Vivian 25.00 16.3 65 21.2 1800.0 16.5 9882.0 Hydrocarbon miscible
Nor este
Tambo Vivian 1.00 33.8 54 9.8 250.0 14.3 11892.0 CO2 miscible
CONCLUSIONES
Las propiedades de las rocas y los fluidos tienen una influencia directa en selección de
métodos EOR. Los resultados muestran que los métodos térmicos tienen la mayor
viscosidad, porosidad y permeabilidad y la más baja gravedad, profundidad y
temperatura.
La aplicación del sistema de Inteligencia Artificial en la selección adecuada del Método
EOR y su clasificación es muy importante y útil. El desarrollo de dicha red muestra que los
sistemas de Inteligencia Artificial tienen aplicaciones importantes que ayudan a los
experimentados ingenieros de yacimientos para ahorrar tiempo al seleccionar una técnica
EOR apropiada sobre la base de propiedades de roca y fluidos.
¡ GRACIAS !