Desarrollo de una metodología para la simulación del comportamiento de producción de un yacimiento usando redes neuronales

Simple item page
dc.contributor.advisorCalderon Carrillo, Zuly Himelda
dc.contributor.authorRuz Rojas, Salvador
dc.date.accessioned2024-03-03T16:32:47Z
dc.date.available2007
dc.date.available2024-03-03T16:32:47Z
dc.date.created2007
dc.date.issued2007
dc.description.abstractEn la industria del petróleo, toda vez que se quiere evaluar la respuesta de un campo a diferentes condiciones de operación, se utiliza preferiblemente la simulación numérica. Ésta estrategia, a pesar de tener un relativo éxito, presenta algunos costos y limitantes que pueden llegar a ser superados con la ayuda de mecanismos alternativos de simulación. Con el objetivo de construir un modelo sustituto, capaz de emular el comportamiento de producción de un campo, se hizo un estudio para determinar la metodología a seguir para que una red neuronal artificial (RNA) capturara los elementos necesarios para hacer los estimativos de producción de aceite bajo diferentes escenarios. La investigación se inició con una revisión detallada de los fundamentos de las RNA de alimentación hacia delante y retropropagación del error (parte codificada en DelphiTPFFPT). Luego, se abordaron los elementos propios del flujo de fluido en medios porosos, como etapa previa a la definición de las variables que deberían ser tenidas en cuenta para las entradas y las salidas de las RNAs. Los modelos de RNAs fueron planteados desde el más simple (un solo pozo) hasta el más complejo (varios pozos actuando de manera simultánea), y las variables escogidas fueron discriminadas por su comportamiento dinámico o estático, según el escenario de simulación. Cada modelo propuesto fue evaluado por medio de una aplicación construida en MatlabTPFFPT. Los datos utilizados para el entrenamiento y la simulación de las RNAs, fueron obtenidos de casos reales de campos colombianos y de la simulación numérica de un campo ficticio. Éste último se creó para obtener datos de aquellos escenarios que no pueden ser reproducidos en la realidad por cuestiones económicas. Finalmente, se hizo un resumen de las estructuras de redes, las variables y los procedimientos que garantizaron un acercamiento de las RNAs entrenadas, al comportamiento esperado.
dc.description.abstractenglishIn the oil industry, it is a common practice to use numerical simulation to evaluate the reservoirbehavior under different operation scenarios. Instead of its success, numerical reservoir simulationhas some drawbacks (like cost, history matching delay, among others) that can be solved usingalternative tools. This research project was performed with the aim of finding a surrogate model to capture therelationships that lead the oil rate behavior in an oilfield. To reach this objective the literature reviewstarted with the essentials of feed-forward back-propagation neural networks (this code was writtenin Delphi' language). The second part of the theory review was focused on the fundamentals of oil well performance, inorder to select the variables that should be taken into account for the artificial neural networks(ANN) inputs and outputs. Several ANN models were considered, from the simplest one (an oil well with one input and output)to the more complex one (several wells acting at the same time). In addition, each variable wascategorized accordingly to its steady or dynamic nature. Each proposed model was tested using an application built in Matlab' code. The data used in thetraining and the simulation were taken from both, actual production reports and a numericalsimulation performed for a fictitious oilfield. This last one because of some scenarios can not beperformed in the reality due to economical and operational reasons. By comparing the results of the models with the expected values, best ANN, recommendedpractices and suggested variables were sorted out and summarized. At the end of this research, it was found out that some physical constrains have to be added to thedata to improve the training. Unfortunately, sometimes these constrains are the questions thatneed to be solved, so the methodology, in some cases, may be inadequate.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería de Sistemas e Informática
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/20.500.14071/19713
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Ingeniería de Sistemas e Informática
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
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.subjectRedes neuronales artificiales
dc.subjectSimulación
dc.subjectYacimientos
dc.subjectProducción
dc.subjectDeclinación
dc.subjectmatlab
dc.subject.keywordArtificial neural networks
dc.subject.keywordReservoir simulation
dc.subject.keywordOil rate declining
dc.subject.keywordMatlab
dc.subject.keywordDelphi.SUMMARY:
dc.titleDesarrollo de una metodología para la simulación del comportamiento de producción de un yacimiento usando redes neuronales
dc.title.englishDevelopment of a methodology to simulate oil reservoir production data using artificial neural networkstpf*fpt
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestria
Files
Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
Documento.pdf
Size:
1.98 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
45.59 KB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Ingeniería de Sistemas e Informática