Aplicación de machine learning para la interpretación automática de pruebas de presión en pozos petroleros

Abstract

El análisis de pruebas de presión es el proceso mediante el cual se obtiene información acerca del yacimiento, a través del estudio de la respuesta de la presión causada por un cambio en el gasto (flujo volumétrico) de producción. De estas pruebas se pueden obtener varios datos como estimaciones de la presión inicial del yacimiento o identificar regímenes de flujo que se presentan durante la producción del mismo, pero los más básicos, y posiblemente los más importantes son la permeabilidad (k), el daño a la vecindad del pozo (S) y el coeficiente de almacenamiento del pozo (C). Se propone la aplicación de algoritmos de Machine Learning para la resolución de estos problemas. Estos algoritmos son capaces de, mediante la observación de tendencias en los datos, encontrar las reglas que controlan un fenómeno determinado y que, gracias a ello cuentan con un gran poder predictivo. En este trabajo se optó por entrenar una red neuronal por su gran capacidad para resolver problemas de regresión de alta complejidad. Una red neuronal tiene que entrenarse y después optimizada mediante ciertos hiperparámetros (número de capas, nodos en cada capa, tasa de aprendizaje, etc.) Para su entrenamiento, la red necesita de una gran cantidad de pruebas de presión conjuntamente con sus soluciones (permeabilidad, daño y almacenamiento), para que esta sea capaz de identificar un patrón dentro de estos datos. Estas pruebas de presión se generaron de manera sintética, partiendo de la ecuación que dio origen a la curva tipo de Gringarten, mediante la cual se crearon 10,000 pruebas a partir de distintas combinaciones de distintos rangos de permeabilidad, daño y almacenamiento, y con ello se obtuvo el conjunto de datos para entrenar nuestra red neuronal. Se entrenaron 1458 redes distintas variando los hiperparametros que las formaban, y se utilizó R2 y el error cuadrático medio para comparar y determinar qué modelo en específico es el que mejor predecía los valores de permeabilidad, daño y almacenamiento. Una vez obtenida la estructura de la red neuronal, y de haberla entrenado, se creó un código que se encarga de pre-procesar los datos de cualquier prueba ajena al entrenamiento de la red, para que así el modelo pueda interpretarla de manera automática, es decir, la obtención de parámetros de permeabilidad, daño y almacenamiento. Este pre-procesamiento incluye, la toma de puntos relevantes de la curva de la prueba de presión y normalización de estos datos. El modelo cuenta con una precisión de R2 del 0.956. Este modelo es capaz de interpretar pruebas que cuentan con cierto parecido a lo “convencional”, o dicho de otra manera, con el comportamiento de flujo radial, cumpliendo con el objetivo de haber desarrollado una herramienta computacional portable y sencilla aplicando Machine Learning con el fin, de interpretar automáticamente las pruebas de presión de pozos y así obtener datos de permeabilidad, daño y almacenamiento.