Publicación:

Modelo predictivo para detección temprana de problemas de estabilidad de pozo y pega de tubería durante la perforación de pozos usando Machine Learning

Resumen

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.