Aprendizaje automático y ciencia de datos en la ingeniería petrolera : enfoque al stick & slip

Abstract

El presente trabajo busca aplicar herramientas de análisis de datos y predicción de la rama del aprendizaje automático o Machine Learning, específicamente los algoritmos de Árbol de Decisión y Random Forest, a un fenómeno de vibración torsional en la sarta de perforación, para que sea una herramienta adicional en la mitigación y posible predicción de eventos de esta índole. Por lo que se requiere una introducción básica a estas disciplinas, en función de su relevancia y potencial apoyo a la actividad del ingeniero petrolero; en el Capítulo 1. Aspectos Fundamentales, se busca dar una breve introducción a los datos de tiempo real utilizados en el presente para desarrollar los modelos de predicción, siendo estos de libre acceso, y de un campo real noruego llamado Volve así como la descripción del lenguaje de programación denominado Python el cual ha tenido un auge entre la comunidad científica y digital por su versatilidad y herramientas de código libre. El Capítulo 2. Herramientas de Perforación busca explicar los componentes esenciales de la sarta de perforación, y, por ende, los dispositivos enfocados en la medición de diversos parámetros recabados en el fondo y en la superficie, así como su presentación gráfica y transmisión, mientras que el Capítulo 3. Machine Learning se enfoca en el desarrollo de estos algoritmos, sus principales vertientes de aplicación y clasificación, también se detallan los elementos de análisis más relevantes de la ciencia de datos, ya que serán de utilidad para la construcción de modelos de predicción. El Capítulo 4. Stick & Slip (S&S) muestra los fenómenos vibratorios presentes en la sarta en el proceso de perforación, enfocándose principalmente en la vibración de S&S, su presentación en los registros de MWD, así como su medición y relevancia en el campo, esta última recabada de reportes de actividades de pozos perforados en el campo noruego, mientras que el Capítulo 5. Predicción de Vibraciones Torsionales muestra el proceso para construir modelos de predicción de ML utilizando la librería de Python llamada Scikit-learn a partir de estos registros, y los survey’s; resulta de importancia mencionar que en este capítulo se analizan mediante la ciencia de datos estos parámetros de perforación, para encontrar información que pudiera resultar útil en el diseño y selección de parámetros de futuros pozos.