Desarrollo de un Aplicativo Web Capaz de Realizar Predicciones Litológicas Durante la Perforación de un Pozo Petrolero Basado en Inteligencia Artificial

Simple item page
dc.contributor.advisorCarreño Velasco, Wilson Raúl
dc.contributor.advisorOjeda Vargas, Diego Andrés
dc.contributor.authorPico Velandia, Julio César
dc.contributor.authorRíos Pasachoa, Jhonattan Camilo
dc.contributor.evaluatorCalvete González, Fernando Enrique
dc.contributor.evaluatorAriza León, Emiliano
dc.date.accessioned2023-05-17T21:39:38Z
dc.date.available2023-05-17T21:39:38Z
dc.date.created2023-05
dc.date.embargoEnd2028-05-17
dc.date.issued2023-05-17
dc.description.abstractDebido a la necesidad de optimizar y soportar la lectura e interpretación de los registros litológicos durante la perforación de un pozo petrolero nace la oportunidad de desarrollar un aplicativo web basada en el buen uso de las tecnologías basadas en analytics capaz de leer, graficar y predecir la litología como medio de soporte para la interpretación, planificación y ejecución de las operaciones insitu. Inicialmente se realizó la investigación correspondiente de cómo crear, analizar y ejecutar un proyecto de basando en un modelo de machine learning, para continuar en la investigación de archivos .LAS de la corrida de registros eléctricos en diferentes partes del mundo como un dataset de alimento como papel fundamental en el desarrollo del aplicativo web mediante el respectivo análisis exploratorio y descriptivo compuesto por la comprensión, preparación de la data y selección de variables de las cuales va a depender la lectura, interpretación, esquematización y predicción realizada por el modelo. Una vez cargado y debidamente concatenado e imputado el dataset final alimenta todo el pipeline de pycaret de machine learning, con la finalidad de conocer los modelos que más se ajustan a los datos y eligiendo los tres más representativos (Random Forest, K Nearest Neighbor y GradientBoostingClassifier) para realizar un análisis más detallado dado por un análisis diagnóstico y uno predictivo, que mediante el tuneo y análisis grafico se encontró que el modelo con mejor desempeño es el K Nearest Neighbor (Knn) con un F1- Mean de 97.07% que se traduce a que este modelo score que es utilizado para problemas de clasificación con clases desbalanceadas, como lo es el caso del dataset cargado para el entrenamiento del programa, puede predecir la litología presente en un pozo con un alto grado de confiabilidad. Una vez evaluado el modelo (Knn) se crea el Deployment que cumple con la capacidad de la plataforma de servicio STREAMLIT, para crear el aplicativo web que permite estimar la litología de un pozo petrolero teniendo en cuenta de las variables de la que este programa depende y no existan maldiciones dimensionales.
dc.description.abstractenglishDue to the need to optimize and support the reading and interpretation of lithological records during the drilling of an oil well, the opportunity arises to develop a web tool based on the good use of analytics-based technologies capable of reading, graphing and predicting the lithology as a means of support for the interpretation, planning and execution of in situ operations. Initially, the corresponding investigation was carried out on how to create, analyze and execute a project based on a machine learning model, to continue in the investigation of .LAS files of the run of electrical records in different parts of the world as a food dataset such as fundamental role in the development of the web application through the respective exploratory and descriptive analysis composed of understanding, data preparation and selection of variables on which the reading, interpretation, schematization and prediction made by the model will depend. Once loaded and duly concatenated and imputed, the final dataset feeds the entire pipeline of machine learning pycaret, in order to know the models that best fit the data and choosing the three most representative (Random Forest, K Nearest Neighbor and GradientBoostingClassifier ) to carry out a more detailed analysis given by a diagnostic and a predictive analysis, which through tuning and graphic analysis found that the model with the best performance is the K Nearest Neighbor (Knn) with an F1-Mean of 97.07%, which translates Because this scoring model, which is used for classification problems with unbalanced classes, as is the case of the dataset loaded for training the program, can predict the lithology present in a well with a high degree of reliability. Once the model (Knn) has been evaluated, the Deployment that complies with the capacity of the STREAMLIT service platform is created, to create the web application that allows estimating the lithology of an oil well taking into account the variables on which this program depends. and there are no dimensional curses.
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/20.500.14071/14273
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias 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.subjectMachine Learning
dc.subjectDataset
dc.subjectConcatenado de data
dc.subjectImputación de data
dc.subjectAnalítica predictiva
dc.subjectAplicativo web
dc.subject.keywordMachine Learning
dc.subject.keywordDataset
dc.subject.keywordConcateate of Data
dc.subject.keywordImputation of Data
dc.subject.keywordPredictive Analytics
dc.subject.keywordWeb Application
dc.titleDesarrollo de un Aplicativo Web Capaz de Realizar Predicciones Litológicas Durante la Perforación de un Pozo Petrolero Basado en Inteligencia Artificial
dc.title.englishDevelopment of a Web Application Capable of Making Lithological Predictions During the Drilling of an Oil Well Based on Artificial Intelligence
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 - 5 of 6
No Thumbnail Available
Name:
Documento.pdf
Size:
3.96 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
CARTA DE AUTORIZACION - JULIO CESAR PICO VELANDIA.pdf
Size:
370.85 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
CARTA AUTORIZACION- JHONATTAN CAMILO RIOS PASACHOA.pdf
Size:
373.08 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
NOTA DE PROYECTO.pdf
Size:
224.69 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
CARTA CONFIDENCIALIDAD.pdf
Size:
413.71 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería de Petróleos