Machine Learning en la predicción de propiedades PVT

Abstract

El Machine Learning (ML) o aprendizaje de máquina es una rama de la inteligencia artificial (artificial intelligence, AI), que usa datos históricos para estimar el comportamiento de una variable mediante distintas técnicas de manejo de datos y algoritmos, además de mejorar automáticamente su eficiencia a medida que adquiere más experiencia. Este trabajo tiene como objetivo, desarrollar una herramienta computacional que aplique el ML en la estimación de propiedades PVT (tradicionalmente determinadas en laboratorios especializados o mediante correlaciones empíricas), específicamente la presión de burbuja y el factor de volumen de formación del aceite a la presión de burbuja. Para lograr esto, se entrenaron seis algoritmos de ML con un set de datos perteneciente a campos de distintas regiones del mundo compuesto por más de 400 valores para cada una de las cuatro propiedades (temperatura de yacimiento, densidad API, densidad relativa del gas y relación de solubilidad). Los algoritmos comprenden variantes de árboles de decisión, máquina de vectores de soporte, redes neuronales artificiales y Nearest Neighbors. Para evaluar el desempeño de los algoritmos, se compararon los resultados generados contra cinco de las correlaciones empíricas más usadas en la ingeniería petrolera (M. B. Standing, 1977, Glasø, 1980, Al-Marhoun, 1988, Dokla y Osman, 1992 y Petrosky y Farshad, 1993). De acuerdo con los resultados obtenidos mediante el conjunto de validación, se logró estimar ambas propiedades PVT (presión de burbuja y factor de volumen de formación del aceite a la presión de burbuja) con un grado de precisión que igualó (y superó) al de las correlaciones. Esto abre la posibilidad de implementación del ML como una herramienta robusta para la estimación de propiedades PVT.