Desarrollo de un microservicio que permita realizar la predicción de rop para una formación rocosa especifica

Simple item page
dc.contributor.advisorCarreño Velasco, Wilson Raúl
dc.contributor.advisorOjeda Vargas, Diego Andrés
dc.contributor.authorSantos Franco, María Fernanda
dc.contributor.authorCastaño Cardona, Nicolás
dc.date.accessioned2022-06-08T11:47:51Z
dc.date.available2022-06-08T11:47:51Z
dc.date.created2021
dc.date.issued2021
dc.description.abstractDebido a la necesidad de optimizar el desempeño de las operaciones de perforación con la estimación precisa de parámetros como la ROP y gracias a la disponibilidad de nuevas tecnologías basadas en Analytics, se desarrolla un microservicio que permite realizar la predicción de ROP para una formación rocosa específica caracterizada por ser dura y abrasiva. Inicialmente se presentó una revisión de antecedentes para comprender y valorar los precedentes en la predicción de la ROP. Después, se realizó el análisis exploratorio, procesando los datos en estado dinámico de distintas corridas en la formación objeto de estudio, que permitió explorar la distribución identificando valores atípicos y concentraciones en los datos que contribuyen con la limpieza y preparación de los datos. Luego, se procedió a realizar el análisis diagnóstico de las variables encontrando patrones y correlaciones. Con estos resultados se analiza el comportamiento de las variables de entrada y su incidencia en la ROP, además de formar una base de datos compacta y lista para el modelamiento. Esta base de datos alimenta los modelos de machine learning, utilizando las librerías de Python para conocer los modelos que mejor se ajustan a los datos, procediendo a elegir tres de ellos para su implementación (KNN, LightGBM y XGBoost). Se crean los modelos seleccionados ajustando sus hiperparámetros para luego evaluar la eficiencia de la métrica del coeficiente de determinación de cada modelo, encontrando así que el modelo con mayor desempeño es el XGBoost con un 74% de R2. Finalmente, se realiza el deployment eligiendo el modelo con el mejor desempeño en la predicción y que cumpla con la capacidad de la plataforma como servicio, Heroku, para crear el aplicativo web que permite realizar la predicción de la ROP en la formación de estudio, convirtiendo la información de los datos históricos en ideas simples y procesables.
dc.description.abstractenglishDue to the need to optimize the performance of drilling operations with the precise estimation of parameters such as ROP and thanks to the availability of new technologies based on Analytics, a microservice is developed that allows the prediction of ROP for a specific rock formation characterized by being hard and abrasive. Initially, a background check was presented to understand and assess the precedents in the prediction of ROP. Afterwards, the exploratory analysis was carried out, processing the data in the dynamic state of different runs in the formation under study, which allowed exploring the distribution by identifying atypical values and concentrations in the data that contribute to the cleaning and preparation of the data. Then, the diagnostic analysis of the variables was carried out, finding patterns and correlations. With these results, the behavior of the input variables and their impact on ROP are analyzed, in addition to forming a compact database ready for modeling. This database feeds the machine learning models, using Python libraries to find out the models that best fit the data, proceeding to choose three of them for their implementation (KNN, LightGBM and XGBoost). The selected models are created by adjusting their hyperparameters to then evaluate the efficiency of the metric of the determination coefficient of each model, thus finding that the model with the highest performance is the XGBoost with 74% of R2. Finally, the deployment is carried out choosing the model with the best performance in the prediction and that complies with the capacity of the platform as a service, Heroku, to create the web application that allows the prediction of the ROP in the formation of study, converting information from historical data into simple, actionable ideas.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Petróleos
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/20.500.14071/11242
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicoquímicas
dc.publisher.programIngeniería de Petróleos
dc.publisher.schoolEscuela de Ingeniería de Petróleos
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
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-nd/4.0/
dc.subjectRop
dc.subjectPerforación
dc.subjectAnalítica Predictiva
dc.subjectInteligencia Artificial
dc.subjectMachine Learning
dc.subjectMicroservicio
dc.subject.keywordRop
dc.subject.keywordDrilling
dc.subject.keywordPredictive Analytics
dc.subject.keywordArtificial Intelligence
dc.subject.keywordMachine Learning
dc.subject.keywordMicroservice
dc.titleDesarrollo de un microservicio que permita realizar la predicción de rop para una formación rocosa especifica
dc.title.englishDevelopment of a microservice that allows to perform rop prediction for a specific rock formation
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
183275_licence.pdf
Size:
88.91 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
183275_nota.pdf
Size:
7.87 KB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
183275_trabajo.pdf
Size:
2.55 MB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería de Petróleos