Metodología para la predicción de curvas de declinación de pozos de petróleo, aplicando redes neuronales artificiales
| dc.contributor.advisor | Reyes Figueroa, Juan Carlos | |
| dc.contributor.advisor | Ruiz Diaz, Fernando | |
| dc.contributor.author | Cárcamo Troconis, Emilio Justiniano | |
| dc.contributor.author | Polo Nule, Guido Jose | |
| dc.date.accessioned | 2024-03-03T16:33:56Z | |
| dc.date.available | 2007 | |
| dc.date.available | 2024-03-03T16:33:56Z | |
| dc.date.created | 2007 | |
| dc.date.issued | 2007 | |
| dc.description.abstract | En este trabajo, se desarrolla una herramienta software que aborda el análisis de curvas de declinación de pozos de petróleo, basándose en redes neuronales, con el objetivo de mejorar la precisión en los resultados, respecto a otros métodos. Para la construcción del modelo neuronal se utilizaron los registros históricos de producción de cada pozo, para alimentarlo durante las fases de entrenamiento y simulación. Para este propósito se empleó una configuración de red neuronal tipo perceptrón multicapa, con backpropagation como algoritmo de aprendizaje. Los resultados obtenidos son comparados contra los modelos representativos para la predicción de la producción: exponencial, armónico e hiperbólico, que son los más utilizados por los ingenieros de producción. La herramienta desarrollada permite hacer una predicción más cercana a los datos reales, incluso en aquellos casos donde se realizan operaciones de mantenimiento o mejoramiento de la producción, como los cambios de bombeo, y surge como alternativa de solución ante los métodos tradicionales. En este trabajo se evidenció que de un buen análisis, del correcto planteamiento y de eficientes técnicas de preprocesamiento de datos, depende el éxito del modelo neuronal, aunque muchas veces contar con un buen modelo no siempre es garantía para obtener buenos resultados en la predicción de la producción; pues las condiciones de operación de pozos depende en gran medida de las decisiones tomadas por los ingenieros de producción; es por esto que la aplicación no podría predecir y ajustarse a malos procedimientos que conlleven a un bajo rendimiento del pozo o a un daño irreparable. | |
| dc.description.abstractenglish | This work concerns the development of a software package for the decline curves analysis in oilwells. The software is based in neural network algorithms for they provide a larger accuracywhen compared with other available methods. The model used to train the neural network was built from a historical compilation of the oil wellproduction reports. The neural network was configured with a multilayer perceptron.Backpropagation was used as the learning algorithm. In order to compare the quality of thepredictions obtained with the proposed model the predicted results from classical productionmodels, such as exponential, harmonic and hyperbolic ones, were considered. The software developed allows a more accurate prediction of real data, being capable toprovide reasonable estimates in cases were maintenance operations, or productionimprovements such as pumping changes occur. Therefore, the software constitutes a realimprovement for this field of knowledge respecting classical prediction methods. In this work was evident that a good analysis, the correct approach and efficient techniques ofdata processing, depends on the success of neural model, although often have a good model isnot always collateral to obtain good results in the prediction of production; because theoperation conditions of wells depends largely on the decisions taken by the production’sengineers; is why the application could not predict and conform to ill procedures that leading toa low performance of the pit or to irreparable harm. | |
| dc.description.degreelevel | Pregrado | |
| dc.description.degreename | Ingeniero de Sistemas | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.instname | Universidad Industrial de Santander | |
| dc.identifier.reponame | Universidad Industrial de Santander | |
| dc.identifier.repourl | https://noesis.uis.edu.co | |
| dc.identifier.uri | https://noesis.uis.edu.co/handle/20.500.14071/19881 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Industrial de Santander | |
| dc.publisher.faculty | Facultad de Ingenierías Fisicomecánicas | |
| dc.publisher.program | Ingeniería de Sistemas | |
| dc.publisher.school | Escuela de Ingeniería de Sistemas e Informática | |
| dc.rights | http://creativecommons.org/licenses/by/4.0/ | |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
| dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
| dc.rights.license | Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0 | |
| dc.subject | Redes Neuronales Artificiales | |
| dc.subject | Curvas De Declinación | |
| dc.subject | Predicción De La Producción De | |
| dc.subject.keyword | Artificial Neural Nertworks | |
| dc.subject.keyword | Decline Curves Analysis | |
| dc.subject.keyword | Prediction Of The Oil Production. | |
| dc.title | Metodología para la predicción de curvas de declinación de pozos de petróleo, aplicando redes neuronales artificiales | |
| dc.title.english | Methodology for the prediction of decline curves using artificial neural networks * | |
| dc.type.coar | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
| dc.type.hasversion | http://purl.org/coar/resource_type/c_7a1f | |
| dc.type.local | Tesis/Trabajo de grado - Monografía - Pregrado |