Maestría en Ingeniería de Sistemas e Informática · 2007
Desarrollo de una metodología para la simulación del comportamiento de producción de un yacimiento usando redes neuronales
En la industria del petróleo, toda vez que se quiere evaluar la respuesta de un campo a diferentes condiciones de operación, se utiliza preferiblemente la simulación numérica. Ésta estrategia, a pesar de tener un relativo éxito, presenta algunos costos y limitantes que pueden llegar a ser superados con la ayuda de mecanismos alternativos de simulación. Con el objetivo de construir un modelo sustituto, capaz de emular el comportamiento de producción de un campo, se hizo un estudio para determinar la metodología a seguir para que una red neuronal artificial (RNA) capturara los elementos necesarios para hacer los estimativos de producción de aceite bajo diferentes escenarios. La investigación se inició con una revisión detallada de los fundamentos de las RNA de alimentación hacia delante y retropropagación del error (parte codificada en DelphiTPFFPT). Luego, se abordaron los elementos propios del flujo de fluido en medios porosos, como etapa previa a la definición de las variables que deberían ser tenidas en cuenta para las entradas y las salidas de las RNAs. Los modelos de RNAs fueron planteados desde el más simple (un solo pozo) hasta el más complejo (varios pozos actuando de manera simultánea), y las variables escogidas fueron discriminadas por su comportamiento dinámico o estático, según el escenario de simulación. Cada modelo propuesto fue evaluado por medio de una aplicación construida en MatlabTPFFPT. Los datos utilizados para el entrenamiento y la simulación de las RNAs, fueron obtenidos de casos reales de campos colombianos y de la simulación numérica de un campo ficticio. Éste último se creó para obtener datos de aquellos escenarios que no pueden ser reproducidos en la realidad por cuestiones económicas. Finalmente, se hizo un resumen de las estructuras de redes, las variables y los procedimientos que garantizaron un acercamiento de las RNAs entrenadas, al comportamiento esperado.
Texto completo 159 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- ENTRENAMIENTO CON PROPAGACIÓN DEL ERROR HACIA ATRÁSUT19
- TUREDES NEURONALES DE ALIMENTACIÓN HACIA DELANTEUT27
- TUELEMENTOS BÁSICOS DEL FLUJO EN POZOS PETROLÍFEROSUT50
- TUDECLINACIÓN DE PRODUCCIÓN EN POZOS PETROLÍFEROSUT50
- TUECUACIÓN DE FLUJO A ESTADO SEUDO-ESTABLEUT60
- TUCURVA IPRUT67
- SIMULACIÓN DE YACIMIENTOSUT74
- TUANÁLISIS INDIVIDUAL DE POZOS CON RNAUT76
- TUHEURÍSTICA PARA EL USO DE UN SIRMANNUT87
- TUSELECCIÓN DEL SOFTWAREUT87
- TUFILTRADO Y ORGANIZACIÓN DE LOS DATOSUT88
- TUDEFINICIÓN DE VARIABLESUT91
- TUCONSTRUCCIÓN DEL SIRMANNUT92
- TUEVALUACIÓN DE DIFERENTES ESQUEMAS DE SIRMANNUT104
- TUCRITERIO DE VALORACIÓN DE LOS RESULTADOS DE LA RNAUT105
- TUESQUEMA RNA PARA UN SOLO POZOUT109
- TUDECLINACIÓN SIMPLEUT109
- TUDECLINACIÓN CON DIVISIÓN DE DÍAS Y VOLUMENUT117
- TUDECLINACIÓN CON PRESIÓN DE FONDOUT121
- ENTRADASUT130
- TUESQUEMA GENERAL PARA UN SOLO POZOUT132
- TUESQUEMA RNA PARA VARIOS POZOSUT136
- TUSIRMANN TIPO IUT137
- TUSIRMANN TIPO IIUT139
- TUSIRMANN TIPO IIIUT141
- PETROLÍFERO CON REDES NEURONALES ARTIFICIALESUT152
- TUASPECTOS GENERALESUT152
- TUMODELAMIENTO DE UN SOLO POZOUT153
- TUCONCLUSIONES Y RECOMENDACIONESUT155
- TUTabla 1. Tabla de verdad del XOR.UT45
- UPU.UT55
- UPU.UT57
- TUTabla 4. Campos y comentarios del filtrado general.UT89
- TUTabla 5. Encabezados del pozo.UT89
- TUTabla 6. Campos del reporte de producción o inyección.UT90
- TUTabla 7. Campos del reporte de presiones.UT90
- TUTabla 8. Prefijos para la definición de variables.UT91
- TUTabla 9. Ejemplo de definición de variables de entrada y salida.UT93
- TUTabla 10 (a). Datos iniciales del ejemplo de selección del tiempo disponible.UT95
- TUTabla 11. Ejemplo de evaluación de dos escenarios.UT96
- TU de la tabla 11.UT98
- TUTabla 13. Datos utilizados para trazar la figura 55.UT107
- TUTabla 14 a. Declinación Simple en TRAINBR, pozo VAV-01.UT109
- TUTabla 15(a). Declinación Simple en TRAINBR, pozo VAV-02.UT112
- TUTabla 16(a). Declinación Simple en TRAINBR, pozo MAN-04.UT114
- TUTabla 17(a). Declinación tipo II en TRAINBR, pozo MAN-03.UT117
- entrenamiento volumen cero a días cero).UT119
- TUTabla 19(a). Declinación tipo III en TRAINBR, pozo MAN-03.UT122
- TUTabla 20(a). Declinación tipo III en TRAINBR, pozo VAV-01.UT126
- TUTabla 21(a). Declinación tipo III en TRAINBR, pozo MAN-07.UT129
- TUTabla 22(a). Declinación tipo V en TRAINBR, pozo VAV-01.UT132
- TUTabla 23(a). SIRMANN tipo I en TRAINBR.UT138
- TUTabla 24(a). SIRMANN tipo II en TRAINBR.UT140
- TUFigura 1. Funciones de activación.UT21
- TUFigura 2. Clasificación de patronesUT23
- TUFigura 3. Agrupamiento.UT23
- TUFigura 4. Aproximación de funcionesUT24
- TUFigura 5. Predicciones.UT25
- TUFigura 6. Problema del agente viajero.UT26
- TUFigura 7. Memoria de contenido direccionable.UT26
- TUFigura 8. Respuesta a un mecanismo de control.UT27
- TUFigura 9. Estructura Feedforward.UT28
- TUFigura 10. Estructura de una neurona.UT28
- TUFigura 11. Estructura de la neurona modificada.UT29
- TUFigura 12. Estructura simplificada de la neurona.UT30
- TUFigura 13. Estructura de una capa.UT30
- TUFigura 14. Funciones de activación derivables.UT32
- TUFigura 15. Ejemplo de estructura feedforward.UT33
- TUFigura 16. Flujo de datos en la red feedforward.UT34
- TUFigura 17. Esquema del algoritmo backpropagation.UT42
- TUFigura 18. Nuevo resultado después de hacer una iteración backpropagation.UT44
- TUFigura 19. Punto de partida para la solución del XOR con una RNA.UT46
- TUFigura 20. Solución encontrada con una RNA para el problema del XOR.UT46
- TUFigura 21. Avance del error con respecto a las épocas.UT48
- TUFigura 22. Ejemplo de declinación exponencial.UT56
- TUFigura 23. Ejemplo de declinación hiperbólica.UT58
- de flujo.UT61
- TUFigura 25. Esquema de flujo yacimiento-pozo.UT63
- TUFigura 26. Esquema de flujo radial.UT65
- TUFigura 27. Caída de presión por factor de daño.UT67
- TUFigura 28. Ejemplo de IPR.UT69
- TUFigura 29. Perfil de presión en cartesiano.UT70
- TUFigura 30. Perfil de presión en matices de colores.UT71
- TUFigura 31. Perfil de presión en forma de superficie.UT71
- TUFigura 32. Superposición de perfiles de presión en modo superficie.UT72
- TUFigura 33. Delimitación de áreas de drenaje.UT72
- TUFigura 34. Declinación con RNA tipo I. Forma más simple.UT77
- TUFigura 35. Declinación con RNA tipo II.UT78
- TUFigura 36. Declinación con RNA tipo III.UT78
- TUFigura 37. Declinación con RNA tipo IV.UT79
- TUFigura 38. Esquema general de RNA para un solo pozo en análisis.UT80
- TUFigura 39. Etapas de la descripción del yacimiento.UT81
- TUFigura 40. Yacimiento dividido en bloques para simulación numérica.UT82
- TUFigura 41. Comparación de modelos de descripción del yacimiento.UT83
- TUFigura 42. Modelo SIRMANN tipo I.UT84
- TUFigura 43. Modelo SIRMANN tipo II.UT84
- TUFigura 44. Modelo SIRMANN tipo III.UT85
- TUFigura 45. Modelo SIRMANN tipo IV.UT86
- TUFigura 46. Esquema general de tablas.UT88
- TUFigura 47. Definición de la RNA con Matlab.UT93
- TUFigura 48. Entrenamiento y simulación de la RNA con Matlab.UT94
- TUFigura 49. Escalamiento.UT97
- TUFigura 50. Formato de configuración de la RNA.UT99
- TUFigura 51. Estructura de RNA utilizada en el ejemplo del escalamiento.UT99
- TUFigura 52 (a). Ejemplo de escalamiento con Regularización Bayesiana.UT100
- TUFigura 53. Ejemplo de escalamiento con Gradiente y Momentum.UT100
- TUFigura 54(a). Ejemplo de escalamiento con Levenberg-Marquardt (aceite).UT101
- TUFigura 55. Inconsistencias del r-cuadrado como evaluador de regresiones.UT106
- TUFigura 56. Factores de ajuste para los datos de la tabla 13.UT108
- TUFigura 57. Declinación Simple, TRAINBR, configuración 1:4:5:1, VAV-01.UT110
- TUFigura 59. Declinación Simple, TRAINLM, configuración 1:2:1, pozo VAV-01.UT111
- TUFigura 60. Declinación Simple, TRAINBR, configuración 1:2:1, VAV-02.UT113
- TUFigura 62. Declinación Simple, TRAINLM, configuración 1:2:1, pozo VAV-02.UT114
- TUFigura 63. Declinación Simple, TRAINBR, configuración 1:2:2:1, MAN-04.UT115
- TUFigura 64. Declinación Simple, TRAINGDA, configuración 1:4:5:1, MAN-04.UT115
- TUFigura 65. Declinación Simple, TRAINLM, configuración 1:2:2:1, MAN-04.UT116
- TUFigura 66. Declinación Simple, TRAINBR, configuración 1:4:1, MAN-04.UT116
- TUFigura 67. Declinación tipo II, TRAINBR, configuración 2:2:1, MAN-03.UT118
- TUFigura 68. Declinación tipo II, TRAINLM, configuración 2:4:1, MAN-03.UT118
- TUFigura 69. Declinación tipo II, TRAINLM, configuración 2:4:5:1, MAN-03.UT119
- en el entrenamiento volumen cero a días cero).UT120
- en el entrenamiento volumen cero a días cero).UT120
- TUFigura 72. Conjuntos de presión de fondo para evaluar la declinación tipo III.UT122
- TUFigura 73(a). Declinación tipo III, TRAINBR, 3:4:3, MAN-03, aceite.UT123
- TUFigura 74(a). Declinación tipo III, TRAINLM, 3:4:5:3, MAN-03, aceite.UT124
- TUFigura 75(a). Declinación tipo III, TRAINBR, 3:4:1, VAV-01.UT126
- TUFigura 76(a). IPR por declinación tipo III, TRAINBR, VAV-01, 01-Dic-2003.UT127
- TUFigura 77(a). IPR por declinación tipo III, TRAINLM, VAV-01, 01-Dic-2003.UT128
- TUFigura 78(a). Declinación tipo III, TRAINBR, 3:2:2:1, MAN-07.UT129
- TUFigura 79. Escenarios evaluados en VAV-03.UT131
- TUFigura 80(a). Declinación tipo IV, TRAINBR, VAV-03.UT131
- TUFigura 81(a). Declinación tipo V, TRAINBR, 4:4:1, VAV-01.UT133
- TUFigura 82(a). IPR por declinación tipo V, TRAINBR, VAV-01, 01-Dic-2003.UT133
- TUFigura 83(a). IPR por declinación tipo V, TRAINLM, VAV-01, 01-Dic-2003.UT134
- (Sumando puntos IPR según Vogel)UT135
- (Sumando puntos IPR según Vogel)UT136
- TUFigura 86(a). SIRMANN tipo I, TRAINBR, 7:4:3, MAN-03.UT139
- TUFigura 87(a). SIRMANN tipo II, TRAINBR, 8:4:2, MAN-03.UT140
- TUFigura 88. Kriging para permeabilidad y porosidad, campo Manguitos.UT142
- TUFigura 93. Potencial esperado en el campo Yatí por Kriging.UT147
- Marquardt, estructura 5:4:1 (campo Yatí).UT148
- TUFigura 95. Potencial de producción en BR 5:4:5:1 y LM 5:2:1 (campo Yatí).UT148
- TUFigura 98. Potencial de producción en BR 2:2:1 y BR 2:4:1 (campo Yatí).UT151