Más contenido relacionado
La actualidad más candente (20)
Similar a Aplicación Redes Neuronales: Estudio de Yacimientos de Petróleo (20)
Aplicación Redes Neuronales: Estudio de Yacimientos de Petróleo
- 1. REPUBLICA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA EDUCACION SUPERIOR I.U.P “SANTIAGO MARIÑO” MARACAIBO - ZULIA MARACAIBO, JULIO DE 2020 AUTOR: MANUEL JIMENEZ C.I: 27.180.096 CARRERA: ING. DE SISTEMAS #47 CATEDRA: INTELIGENCIA ARTIFICIAL SECCION: SAIA TUTOR: ING. JOSÉ GUZMÁN Aplicación Redes Neuronales: Estudios de Yacimientos de Petróleo
- 2. ANTECEDENTES En ingeniería se presentan problemas de gran complejidad, los cuales requieren de un manejo matemático dispendioso y que en muchos casos no se obtienen los mejores resultados, usando los métodos tradicionales. Además se ha demostrado, algunas veces, que la aplicación de nuevas tecnologías permite optimizar los procesos industriales. Las herramientas en base a redes neuronales, han sido utilizadas con anterioridad, más específicamente, en dos aplicaciones de la ingeniería de yacimientos que se mostraran a continuación. En la primera aplicación se utilizó la herramienta como una solución alternativa al cálculo del comportamiento de los índices de desplazamiento, (índice de desplazamiento por depleción, IDD; índice de desplazamiento por segregación, IDS; e índice de desplazamiento hidrostático, IDH), cuando no se tienen los datos suficientes del yacimiento, para aplicar la ecuación de balance de materia, EBM. La segunda aplicación, se ha hecho en el área de registros de pozos, para obtener una correlación directa entre el registro de rayos gamma (GR) y la curva del potencial espontáneo (SP), cuando las condiciones de algunos pozos son tales que, no se puede obtener la curva del SP (por ejemplo, cuando se perfora con fluidos no conductivos o con aire), o cuando la curva SP no ofrece resultados definitivos, casos en los cuales se corre una curva de rayos gamma.
- 3. RED NEURONAL ARTIFICIAL Una red neuronal artificial se trata de una implementación de un sistema de procesamiento de datos paralelos conectados entre sí en forma de grafo dirigido, que simula funciones elementales, como lo hace la red nerviosa del cerebro humano, siendo capaz de identificar la información relevante sobre una gran cantidad de datos. Así mismo, se conoce que se encuentra conformada por diferentes capas: la capa de entrada, encargada de recibir la información del exterior; la capa intermedia, que puede ser una o más de una, la cual procesa la información, y la capa de salida, que proporciona el resultado del trabajo de la red neuronal. La arquitectura de la red neuronal describe el número de capas, las funciones de transferencia (transferencia de información de una neurona a otra) en cada una de las capas, el número de neuronas por capa y las conexiones entre ellas. Estas conexiones establecen una estructura jerárquica que tratando de emular la fisiología del cerebro busca nuevos modelos de procesamiento para solucionar problemas concretos del mundo real.
- 4. El entrenamiento de una red neuronal se conoce como el proceso por el cual se produce un ajuste de los parámetros internos de la red (capas ocultas y sus pesos) a partir de un proceso de estimulación con los datos (patrones) del problema. Los algoritmos de entrenamiento se basan usualmente en métodos numéricos iterativos que tratan de minimizar el error absoluto. Cada nodo individual es un modelo que relaciona un número de inputs hacia un output. De igual manera, cada nodo se trata como una neurona y a interconexión de un innúmero de estas se le denomina red. Las RNA pueden aprender a representar unos datos, con algún tipo de relación funcional entre las variables, para, para adquiere un grado de ajuste con un número suficiente de nodos y capas ocultas.
- 5. APLICACIÓN DE LAS REDES NEURONALES Teniendo en cuenta que las redes neuronales han mostrado ser una alternativa eficiente en la solución de problemas donde es necesario correlacionar parámetros, la industria de los hidrocarburos las ha utilizado en diferentes áreas. En 1994, se presentó un panorama general de las aplicaciones directas de las redes neuronales a la industria del petróleo. Posteriormente, se hace un recuento de las aplicaciones de las redes neuronales, basado en la capacidad que tienen para resolver problemas, combinadas con herramientas convencionales, tales como el análisis estadístico. En un estudio posterior, se profundizó en la utilización de las redes neuronales en el campo de la caracterización de propiedades del yacimiento, elaborando algoritmos para analizar los registros eléctricos de pozos, para estimar con mayor exactitud las propiedades de los fluidos y la columna estratigráfica de los pozos. Observando las aplicaciones que se han dado a las redes neuronales en la industria del petróleo, y los resultados obtenidos, se propone en este trabajo, la solución alternativa a dos problemas diferentes encontrados en la ingeniería de yacimientos, a partir de una herramienta software, que permite generar y entrenar redes neuronales para su posterior utilización en la cuenca oriental del país, la menos explotada de las regiones petrolíferas de Venezuela, que comprende los estados Guárico, Monagas, Anzoátegui, el norte de Delta Amacuro y ciertas zonas de Cojedes. La primera aplicación se hace en los yacimientos de aceite saturado, en los cuales el estudio de los mecanismos de desplazamientos se realiza usando los índices de desplazamiento que miden el aporte de cada mecanismo de empuje a la energía del yacimiento. Estos índices se calculan por medio de una manipulación matemática de la ecuación de balance de materia EBM. Esta ecuación requiere de una gran cantidad de datos que con frecuencia no están disponibles en las historias de producción, lo que hace de este cálculo una tarea costosa. La herramienta de red neuronal permite ser una solución alternativa a este problema utilizando menor número de variables que las utilizadas en la ecuación de balance de materiales.
- 6. Por otro lado, la segunda aplicación se utilizó con registro eléctricos, teniendo en cuenta que algunos campos venezolanos, presentan inconvenientes para determinar topes de arena, debido a que el tipo de lodo utilizado en los pozos no permite correr el registro de potencial espontáneo (SP) y algunos pozos cuentan solamente con el registro de rayos gamma (GR). La herramienta de red neuronal, presenta una solución alternativa para encontrar la curva del registro SP, a partir del registro GR. Esto permite calcular posteriormente topes de arena, espesores, y otras características del yacimiento. Este algoritmo consiste en un aprendizaje de un conjunto de entradas y salidas dados como ejemplo, empleando un ciclo de propagación-adaptación del error generado, de la diferencia entre la respuesta calculada por la red y la respuesta real. Este proceso se repite hasta alcanzar un error aceptable entre las respuestas. Como se puedo observar, los resultados obtenidos en las dos aplicaciones demuestran que el software, se convierte en una herramienta alternativa viable, que permite dar solución a algunos de los problemas que a menudo se presentan en la ingeniería de yacimientos por falta de datos, lo cual no permite utilizar los métodos tradicionales de cálculo. Índices de Empuje calculados con la EBM Resultados obtenidos con la EBM
- 7. Para la identificación de topes de formación y su posterior correlación dentro de un campo, es necesario tener el mismo registro en cada uno de los pozos de dicho campo, ya sea rayos gamma o la curva del potencial espontáneo, acompañado de un estudio de por lo menos un núcleo de cualquiera de los pozos a correlacionar. En un campo en la Cuenca de Oriente se pretendió hacer la correlación de los topes de formación con base en un núcleo extraído de un pozo perforado con lodo base aceite. Debido al tipo de lodo no fue posible correr el registro de potencial espontáneo (SP), y en su defecto se corrió el registro de rayos gamma (GR). El problema radica en que la mayoría de los pozos del campo poseen la curva de potencial espontáneo pero no tienen el registro GR, por lo que, no es posible correlacionar el pozo seleccionado con el resto de pozos del campo. Como solución a este problema es posible hallar una relación directa entre el registro GR y la curva de potencial espontáneo, gracias a la utilización de una red neuronal artificial. La IA a pesar de esto se puede intuir que la relación numérica entre estos registros debe existir ya que, las propiedades de los componentes de la formación y su respuesta a los impulsos de las herramientas de registros poseen formas similares y se usan para determinar la litología dentro del pozo. Curva de registro SP (real) vs registro SP (artificial)
- 8. CONCLUSIONES Esto demuestra que las redes neuronales tienen la capacidad para establecer relaciones entre variables sin importar la complejidad de estas, sin introducir relaciones matemáticas, ni ecuaciones. Por esto las redes neuronales se convierten en una herramienta de gran potencial en la solución de problemas en la industria petrolera. Así mismo, con lo anteriormente expuesto, se demuestra que se es posible elaborar una aplicación que genera un registro SP artificial a partir de un registro de rayos gamma, cuando no es posible obtener topes de formación con los datos existentes. Este nuevo registro SP es útil en la identificación de topes de formación; sin embargo su utilidad es mucho mas amplia, para hacer otros cálculos indispensables en el análisis de los yacimientos de hidrocarburos. Ya para finalizar, se ha de resaltar la importancia de la utilización de las redes neuronales en la industria del petróleo, que a pesar de no ser un método indispensable de localización e identificación de yacimientos, si constituye una alternativa de menor coste económico, más fiable y efectivo. La misma brinda de una ventaja a la industria al permitir el incremento de posibles yacimientos a explotar en un futuro.
- 9. BIBLIOGRAFIA CONSULTADA » Del Brío B. Martín y Sanz Molina A. ”Redes Neuronales y Sistemas Borrosos” . Ra-Ma Textos Universitarios. Madrid, España, 2008. » Hilera J. y Martinez V. Redes Neuronales Arti…ciales, Fundamentos, Modelos y Aplicaciones. Alfa omega. 2005 » Ali J.K. ” Neural Networks: A New Tool for the Petroleum Industry?” . SPE 27561. 1994.
- 10. MUCHAS GRACIAS POR SU ATENCION