Facultad de Ingenierías Fisicoquímicas

Permanent URI for this community

https://noesis.uis.edu.co/handle/20.500.14071/45220

Browse

Browsing Facultad de Ingenierías Fisicoquímicas by Author "Rodríguez-Amado, Edward"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Modelo predictivo para detección temprana de problemas de estabilidad de pozo y pega de tubería durante la perforación de pozos usando Machine Learning
    (Universidad Industrial de Santander, 2024-10-12) Rodríguez-Amado, Edward
    El modelo predictivo, desarrollado usando aprendizaje automático (ML), tiene como objetivo mejorar la detección temprana de la inestabilidad de pozos y mitigar los problemas de pega de tuberías durante la perforación. Este modelo ayuda a reducir los riesgos y costos en la industria del petróleo y gas, donde las tuberías atascadas representan un problema común y costoso, originado por factores como la presión diferencial, fricción mecánica, geometrías del pozo, formaciones inestables y propiedades inapropiadas del fluido de perforación. Dicho problema puede causar significativos retrasos, daños y pérdidas financieras, representando aproximadamente el 20% del tiempo improductivo total (NPT) en las actividades de perforación y costando a la industria miles de millones de dólares anualmente. El ML, como una rama de la inteligencia artificial (IA), capacita a las computadoras para aprender de los datos y realizar tareas como la clasificación, predicción, optimización y toma de decisiones. Aunque el ML ya se usa en campos de la industria petrolera, su aplicación en la prevención de pega de tuberías es relativamente nueva y poco desarrollada. El modelo predictivo está siendo validado mediante un estudio de caso con pozos horizontales de alcance extendido en entornos de alta presión y temperatura (HPHT). Este análisis incluye la identificación de causas principales y tipos de pega, evaluación de métodos de prevención existentes y sus desafíos, y la consideración de avances recientes en aplicaciones de ML en esta área. Se centra en predicción, diagnóstico y remediación, y discute tanto las ventajas como las limitaciones y retos futuros del ML en este campo. En definitiva, el ML demuestra un gran potencial para la prevención de tuberías atascadas al ofrecer soluciones más precisas y óptimas comparadas con los métodos tradicionales, aunque existen obstáculos que aún deben superarse para su adopción efectiva y generalizada.