Desarrollo de modelos de recuperación de pozos de relleno para yacimientos carbonatados mediante redes neuronales y estadística multivariada como método novedoso

Resumen

Este

trabajo introduce una metodología novedosa para mejorar los modelos de caracterización de yacimientos. En esta investigación se usaron técnicas de estadística multivariada y redes neuronales para desarrollar modelos de predicción de los recobros primarios de aceite (PRUR), recobros de aceite

al inicio de la inyección de agua (IWUR) y recobros de aceite debido a la perforación de pozos de relleno (IDUR) en yacimientos de carbonatos localizados en el este de Texas. Los modelos desarrollados fueron comparados con los modelos de regresión no-lineal y con los de regresión no-paramétrica. Uno de los desafíos en esta investigación fue identificar las variables independientes dominantes y el número óptimo de estas. Para ello se desarrolló un sistema inteligente (Soto, 1998), Oilfield Intelligence (OI), que integra conceptos de componen- tes principales, análisis de factores y redes neuronales. OI está compuesto por cinco subsistemas: carga y preprocesamiento de los datos, diseño de la arquitectura de la red neuronal, diseño gráfico y una máquina de inferencia. El análisis multivariado de componentes principales permite resolver el problema de dimensionalidad. Cuántas y cuáles variables deberían usarse en la obtención de cada modelo. Después se utilizaron las redes neuronales para desarrollar modelos capaces de predecir los recobros primarios, de inyección de agua y debido a la perforación de pozos de relleno en las formaciones de carbonato de San Andrés y Clearfork en el este de Texas. Los coeficientes de correlación son del orden del 99% con errores absolutos no mayores del 3% comparados con coeficientes de correlación del orden de 0.91 y errores absolutos alrededor del 27% de otros modelos publicados internacionalmente en los últimos 15 años. Las variables consideradas en esta investiga- ción fueron porosidad, permeabilidad, saturación de agua, profundidad, área, espesor total, espesor neto, factor volumétrico de formación, presión, viscosidad, gravedad API, número de pozos al inicio de la inyección de agua, número de pozos para la recuperación primaria, número de pozos de relleno al inicio de la inyección de agua, PRUR, IWUR, e IDUR. Obviamente el desarrollo de un modelo en redes neuronales que represente con alta precisión los datos requiere experiencia del ingeniero para realizar un control de calidad de los datos, determinar las variables dominantes y optimizar la estructura o topología de la red neuronal.