Tabares Rodríguez, Nathalia
Implementación de un modelo predictivo de machine learning para la estimación de los parámetros óptimos de la ROP y la MSE en la sección 8½’’ y 12 ¼’’ para los pozos perforados con motor de fondo en el Campo Yarigui – Cantagallo durante el 2019 Nathalia Tabares Rodríguez, Daniel Tobar Castilla ; orientador Sebastián Alejandro Gómez Alba - Fundación Universidad de América 2021 - 90 páginas Figuras, gráficas, tablas
Autorización para publicación en el repositorio digital institucional Lumieres. Incluye Anexos. - - Anexo 1. Matriz de correlación de variables para la sección 8 1/2". - - 2. Matriz de correlación de variables para la sección 12 1/4". - -3. Árbol de decisión para la estimación de la ROP en la sección 8 1/2". - - 4. Árbol de la decisión para la estimación de la MSE en la sección 8 1/2". - - 5. Árbol de decisión para la estimación de la ROP en la sección 12 1/1/4". - - 6. Árbol de decisión para la estimación de la MSE en la sección 8 1/22 formación real. - - 7. Mapas calor generales para ROP y la MSE- sección 8 1/2" formación real. - - 8. Mapas de calor generales para la ROP y la MSE -sección 8 1/2" formación la Cira Shale.
Tesis (Ingeniero de Petróleos). - - Fundación Universidad de América. Facultad de Ingenierías. Programa de Ingeniería de Petróleos. 2021.
Incluye bibliografía [hoja 98]
Aprendizaje automático. - - Perforación. - - Selección de parámetros. - - Análisis exploratorio de datos. - - Descripción estadística de las variables. - - Implementación y validación del modelo predictivo. - -Acotación y análisis de los mapas de parámetros. - - Entrenamiento y ajuste del modelo. - - Análisis de resultados obtenidos en los mapas de calor.
TLa implementación de un modelo predictivo de machine learning para la estimación de los parámetros óptimos de perforación surge por la necesidad de la industria de migrar hacia la ciencia de datos buscando optimizar procesos. A través de este proyecto de investigación se generó una base de datos correspondiente a los pozos perforados con motor de fondo durante el 2019 en el campo en mención, la cual fue sometida a un análisis exploratorio de datos (EDA). Seguido a esto, se realizó división de la misma para la estandarización y prueba del modelo predictivo. Una vez es realizada dicha división se implementó un algoritmo de aprendizaje automático supervisado como lo es Random Forest Regressor, teniendo como variables de entrada las revoluciones por minuto (RPM) de superficie y de fondo, el peso sobre la broca (WOB), el caudal (Q), el torque (TQ) y la información correspondiente a los topes de las formaciones geológicas perforadas, y se obtuvo como variables de salida la tasa de penetración (ROP) y la energía mecánica específica (MSE).
Caudal
Energía mecánica específica--MSE
Machine learning
Tesis y disertaciones académicas
Implementación de un modelo predictivo de machine learning para la estimación de los parámetros óptimos de la ROP y la MSE en la sección 8½’’ y 12 ¼’’ para los pozos perforados con motor de fondo en el Campo Yarigui – Cantagallo durante el 2019 Nathalia Tabares Rodríguez, Daniel Tobar Castilla ; orientador Sebastián Alejandro Gómez Alba - Fundación Universidad de América 2021 - 90 páginas Figuras, gráficas, tablas
Autorización para publicación en el repositorio digital institucional Lumieres. Incluye Anexos. - - Anexo 1. Matriz de correlación de variables para la sección 8 1/2". - - 2. Matriz de correlación de variables para la sección 12 1/4". - -3. Árbol de decisión para la estimación de la ROP en la sección 8 1/2". - - 4. Árbol de la decisión para la estimación de la MSE en la sección 8 1/2". - - 5. Árbol de decisión para la estimación de la ROP en la sección 12 1/1/4". - - 6. Árbol de decisión para la estimación de la MSE en la sección 8 1/22 formación real. - - 7. Mapas calor generales para ROP y la MSE- sección 8 1/2" formación real. - - 8. Mapas de calor generales para la ROP y la MSE -sección 8 1/2" formación la Cira Shale.
Tesis (Ingeniero de Petróleos). - - Fundación Universidad de América. Facultad de Ingenierías. Programa de Ingeniería de Petróleos. 2021.
Incluye bibliografía [hoja 98]
Aprendizaje automático. - - Perforación. - - Selección de parámetros. - - Análisis exploratorio de datos. - - Descripción estadística de las variables. - - Implementación y validación del modelo predictivo. - -Acotación y análisis de los mapas de parámetros. - - Entrenamiento y ajuste del modelo. - - Análisis de resultados obtenidos en los mapas de calor.
TLa implementación de un modelo predictivo de machine learning para la estimación de los parámetros óptimos de perforación surge por la necesidad de la industria de migrar hacia la ciencia de datos buscando optimizar procesos. A través de este proyecto de investigación se generó una base de datos correspondiente a los pozos perforados con motor de fondo durante el 2019 en el campo en mención, la cual fue sometida a un análisis exploratorio de datos (EDA). Seguido a esto, se realizó división de la misma para la estandarización y prueba del modelo predictivo. Una vez es realizada dicha división se implementó un algoritmo de aprendizaje automático supervisado como lo es Random Forest Regressor, teniendo como variables de entrada las revoluciones por minuto (RPM) de superficie y de fondo, el peso sobre la broca (WOB), el caudal (Q), el torque (TQ) y la información correspondiente a los topes de las formaciones geológicas perforadas, y se obtuvo como variables de salida la tasa de penetración (ROP) y la energía mecánica específica (MSE).
Caudal
Energía mecánica específica--MSE
Machine learning
Tesis y disertaciones académicas