Validación de las técnicas de aprendizaje automático en el lenguaje de programación en R para mejorar los modelos de pronóstico de producción - Noroeste Peruano

Abstract

Las reservas de hidrocarburos constituyen el principal activo de una empresa y es su principal fortaleza. Por ello, dedican gran esfuerzo a analizar constantemente sus estrategias para optimizar la recuperación de estas reservas. Un aspecto importante de estas estrategias es el análisis de la producción futura (pronósticos) y la tasa de declive natural de los hidrocarburos; la elaboración de pronósticos de producción mediante el uso de inteligencia artificial representa parte de las nuevas tecnologías aplicadas alrededor del mundo en la industria petrolera, esto nace debido a la necesidad de mejorar la certeza de los pronósticos de producción para establecer la viabilidad económica de futuros proyectos y sostener la operación de los campos. El presente trabajo de investigación tiene el propósito de desarrollar un código de programación mediante la implementación de aprendizaje automático (random forest) en el software R; se utilizaron los datos de producción (tiempo y caudal promedio por mes en bpd) de pozos convencionales para elaborar un modelo de declinación óptimo para la elaboración de pronósticos, los cuales se evaluaron mediante estadígrafos y coeficientes de determinación. La investigación tuvo como resultado que el modelo desarrollado presenta los mejores valores de R2 : 0.75032, RMSE de 87.78, AIC: 3318.83 y BIC: 318.65; sin embargo, el modelo no puede detectar los picos de producción extremos y las caídas extremas presentes en el historial productivo del lote con una exactitud del 100% , lo que nos deja una ventana de oportunidades futuros proyectos que generen modelos con mejores pronósticos que honren estos picos de producción

Hydrocarbon reserves represent a company's primary asset and its greatest strength. As a result, companies dedicate significant effort to constantly analyzing their strategies to optimize the recovery of these reserves. A crucial aspect of these strategies involves analyzing future production (forecasts) and the natural decline rate of hydrocarbons. The development of production forecasts using artificial intelligence is part of the new technologies being implemented worldwide in the oil industry. This arises from the need to enhance the certainty of production forecasts to assess the economic viability of future projects and sustain field operations. The research work will have the purpose of developing a programming code through the implementation of machine learning (random forest) in the R software. Production data (time and average flow rate per month in bpd) of conventional wells will be used to develop an optimal decline model for the preparation of forecasts, which will be evaluated by statistical and determination coefficients. The investigation resulted in the developed model presenting the best values of R2:

0.75032, RMSE: 87.78, AIC: 3318.83 and BIC 318.65; however, the model cannot detect extreme production peaks and extreme falls present in the production history of the lot with an accuracy of 100%, which leaves us with a window of opportunity for the development of better techniques that generate better models.