Modelos predictivos de propiedades fisicoquímicas de petróleo empleando FTIR-ATR y métodos de Machine learning

Abstract

Esta investigación describe el desarrollo y evaluación de modelos de machine learning líneales y no lineales para determinar propiedades fisicoquímicas de crudos medios y pesados de origen colombiano y ecuatoriano; a partir de los espectros infrarrojos obtenidos por reflectancia total atenuada (FTIR-ATR), empleando el modelo lineal PLS (Partial Linear Squart) como modelo de referencia ya que es ampliamente usado en la literatura para los sistemas de crudos; y como modelos no líneales se usó SVM (Support Vector Machine) y GBR (Gradient Boosting Regressor). El objetivo principal de esta investigación es desarrollar técnicas alternas a las fracciones saturadas, aromáticas, resinas y asfáltenos (SARA), gravedad API, residuo de carbón micro (MCR) y número de acidez total (TAN) que permitan realizar análisis rápidos, amigables con el medio ambiente, no destructivos, eliminando el uso de reactivos y la cantidad de muestra. El enfoque computacional y de aprendizaje automatizado va en camino de aumentar la eficiencia de los procesos y tiempos de obtención de resultados fiables solo a partir de los espectros FTIR-ATR. La metodología empleada en esta investigación demostró que los modelos no lineales se ajustan mejor que el modelo lineal propuesto en las propiedades de interés; obteniendo como coeficientes de correlación de 0.98, 0.95 y 0.95 para las propiedades API, TAN y MCR, respectivamente. Por otro lado, se obtuvieron coeficiente de correlación de 0.89, 0.36, 0.61 y 0.82 para las fracciones SARA, respectivamente. Como resultados del análisis de estos modelos, es evidente que el modelo de regresión GBR se ajustó mejor en la predicción de las propiedades ya que logró predecir mejor, cinco de las siete propiedades.