Propuesta de predicción de datos faltantes en series temporales usadas en el modelamiento de la producción en un campo petrolero mediante técnicas geoestadísticas

Simple item page
dc.contributor.advisorFajardo Ortiz, Eddy Johanna
dc.contributor.authorGambus Ordaz, Maika Karen
dc.date.accessioned2024-03-04T00:54:20Z
dc.date.available2020
dc.date.available2024-03-04T00:54:20Z
dc.date.created2020
dc.date.issued2020
dc.description.abstractEn el análisis del comportamiento de la producción de hidrocarburos, técnicas empíricas han sido aplicadas a lo largo del tiempo; donde se extrapola el comportamiento histórico de las observaciones bajo la premisa de que el pasado, presente y futuro continúan bajo una misma tendencia, no sujeta a intervenciones. Con el fin de extraer la mayor cantidad de información de esta serie temporal, este trabajo aplicó la metodología de Box Jenkins y Reinsel, para descomponer su tendencia, en elementos adicionales como estacionalidad y aleatoriedad, una vez lograda la condición de estacionaridad. Un modelo SARIMA (0,1,1) (1,0,0)12, capturó el 70.22% de la información de los datos, sin embargo, los residuos resultaron no ser normales; y el componente regular de la serie no pudo ser modelado autorregresivamente; sólo como una función lineal de sus errores actuales y previos (p=0 y q=1). Aunque las predicciones de este modelo fueron lineales, in-sesgadas y de varianza mínima, no se ajustaron con la naturaleza de la serie temporal. Finalmente, se demostró la conveniencia del uso de técnicas geoestadísticas. La etapa predictiva comprendió desde el 01/01/2008 hasta el 01/12/2008, y considerando que se disponía de datos observados desde enero hasta julio de ese mismo año, estos sirvieron como comparación estimando un error porcentual promedio absoluto de las estimaciones (MAPE) del 5%. Adicionalmente, se usó la técnica geoestadística para predecir valores faltantes, orientando las estimaciones hacia la estructura interna de la serie. Del histórico de la producción total de petróleo fueron eliminados las observaciones de dos ciclos estacionales (01/01/2001 01/12/2002). Los resultados fueron satisfactorios reportando un MAPE del 7.15%; y más importante honrando la estacionalidad y la tendencia de la serie temporal. Los errores a través de esta técnica resultaron normales, idénticamente distribuidos e incorrelacionados.
dc.description.abstractenglishIn the analysis of the hydrocarbon production performance, empirical techniques have been applied over time; extrapolating the historical behavior of the observations under the assumption that the past, present and future continue under the same trend, not subject to interventions. In order to extract the greatest amount of information from this time serie, this work applied the Box Jenkins and Reinsel methodology, to decompose its trend, into additional elements, such as seasonality and randomness, once the stationarity condition has been achieved. A model representing the 70.22% of the information was defined as SARIMA(0,1,1)(1,0,0)12. Its predictions were linear, unbiased, and of minimal variance, however, this model did not match the nature of the time serie, due to the fact that the regular component of the serie could not be modeled as autoregressive. In contrast, this was only modeled as a linear function of the actual and previous errors (p = 0 and q = 1), and the computed residuals were not normal. Finally, the convenience of the use of geostatistical techniques was demonstrated. A forecast step comprised from 01/01/2008 to 12/01/2008, and considering that data was observed from January to July of that same year, these served as a comparison estimating an absolute average percentage error of the estimates (MAPE) of 5%. On the same way, this technique was applied to predict missing values from the internal structure of the time serie, along two seasonal cycles. Observations between 01/01/2001 and 12/01/2002 were removed from the total oil production historical data. Results showed a MAPE of 7.15%, not only demostrating the efficiency of the geostatistical technique but also, that the methodology honored the seasonality and trend of the time serie. Errors were normal, identically distributed, and uncorrelated.
dc.description.degreelevelEspecialización
dc.description.degreenameEspecialista en Estadística
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/40796
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ciencias
dc.publisher.programEspecialización en Estadística
dc.publisher.schoolEscuela de Matemáticas
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectProducción de hidrocarburos
dc.subjectSerie Temporal
dc.subjectValores Faltantes
dc.subjectPredicción
dc.subjectGeoestadística.
dc.subject.keywordProduction Decline
dc.subject.keywordTime Series
dc.subject.keywordMissing Data
dc.subject.keywordPrediction
dc.subject.keywordGeostatistics.
dc.titlePropuesta de predicción de datos faltantes en series temporales usadas en el modelamiento de la producción en un campo petrolero mediante técnicas geoestadísticas
dc.title.englishProposal for predicting missing data in time series used in modeling production in an oil field using geostatistical techniques *
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
340.28 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.77 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
236.88 KB
Format:
Adobe Portable Document Format
Download
Collections
Especialización en Estadística