Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X.

The evaluation of a Machine Learning predictive model for the determination of new drainage areas arises from the industry's need to discover new technologies such as data science, aiming to optimize processes that can be performed in the shortest possible time and with low operational cost. Th...

Full description

Autores:

Tipo de recurso:

Fecha de publicación:: 2023

Institución:: Universidad de América

Repositorio:: Lumieres

Idioma:: spa

id	Lumieres_59fa92ff564d7529c638a013ad05aa12
oai_identifier_str	oai:repository.uamerica.edu.co:20.500.11839/9255
network_acronym_str	Lumieres
network_name_str	Lumieres
repository_id_str
dc.title.none.fl_str_mv	Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X. Evaluation of a machine learning predictive model for the determination of new drainage areas in field X of basing X.
title	Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X.
spellingShingle	Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X. Áreas de drenaje Predicción Yacimiento Drainage areas Prediction Deposit Tesis y disertaciones académicas
title_short	Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X.
title_full	Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X.
title_fullStr	Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X.
title_full_unstemmed	Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X.
title_sort	Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X.
dc.contributor.none.fl_str_mv	Jiménez Bracho, Edinson Enrique
dc.subject.none.fl_str_mv	Áreas de drenaje Predicción Yacimiento Drainage areas Prediction Deposit Tesis y disertaciones académicas
topic	Áreas de drenaje Predicción Yacimiento Drainage areas Prediction Deposit Tesis y disertaciones académicas
description	The evaluation of a Machine Learning predictive model for the determination of new drainage areas arises from the industry's need to discover new technologies such as data science, aiming to optimize processes that can be performed in the shortest possible time and with low operational cost. Through this research project, a database was developed for 6 wells supplied by CMG from a field whose name is confidential, which underwent exploratory data analysis (EDA). Following this, 3 phases were carried out implementing a supervised machine learning algorithm through CMOST CMG, where input parameters were evaluated, such as Porosity, rock compressibility, the ratio between horizontal and vertical permeability, endpoints of the relative permeability curve for the rock type, oil relative permeability at connate water saturation (KROCW), water relative permeability at irreducible oil saturation (KRWIRO), exponent for water relative permeability calculation (NW), exponent for oil relative permeability calculation (NOW), rock type, and depth of water-oil contact for Region 1. Once the parameters were evaluated, the past reservoir behavior was adjusted to simulate future behavior with an error of 3.36%, thus creating opportunity indexes that identified the new drainage areas. The model was validated by optimizing two new wells, an experimental Prob_1 with a recovery factor of 2.87%, and prob_2, which the model determined with 3.36%. Lastly, model values were compared against actual values, resulting in a model accuracy of 96.5%.
publishDate	2023
dc.date.none.fl_str_mv	2023-10-09T16:44:44Z 2023-10-09T16:44:44Z 2023-08-08
dc.type.none.fl_str_mv	bachelorThesis
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.identifier.none.fl_str_mv	APA 7th - Martínez Páez, J. L. y Sanabria Galicia, D. G. (2023) Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X. [Trabajo de grado, Fundación Universidad de América] Repositorio Institucional Lumieres. https://hdl.handle.net/20.500.11839/9255 https://hdl.handle.net/20.500.11839/9255
identifier_str_mv	APA 7th - Martínez Páez, J. L. y Sanabria Galicia, D. G. (2023) Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X. [Trabajo de grado, Fundación Universidad de América] Repositorio Institucional Lumieres. https://hdl.handle.net/20.500.11839/9255
url	https://hdl.handle.net/20.500.11839/9255
dc.language.iso.fl_str_mv	spa
language	spa
dc.rights.none.fl_str_mv	Atribución – No comercial http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Atribución – No comercial http://purl.org/coar/access_right/c_abf2
dc.format.none.fl_str_mv	application/pdf application/pdf
dc.publisher.none.fl_str_mv	Fundación Universidad de América Desarrollo tecnológico
publisher.none.fl_str_mv	Fundación Universidad de América Desarrollo tecnológico
institution	Universidad de América
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_	1841553059926245376
spelling	Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X.Evaluation of a machine learning predictive model for the determination of new drainage areas in field X of basing X.Áreas de drenajePredicciónYacimientoDrainage areasPredictionDepositTesis y disertaciones académicasThe evaluation of a Machine Learning predictive model for the determination of new drainage areas arises from the industry's need to discover new technologies such as data science, aiming to optimize processes that can be performed in the shortest possible time and with low operational cost. Through this research project, a database was developed for 6 wells supplied by CMG from a field whose name is confidential, which underwent exploratory data analysis (EDA). Following this, 3 phases were carried out implementing a supervised machine learning algorithm through CMOST CMG, where input parameters were evaluated, such as Porosity, rock compressibility, the ratio between horizontal and vertical permeability, endpoints of the relative permeability curve for the rock type, oil relative permeability at connate water saturation (KROCW), water relative permeability at irreducible oil saturation (KRWIRO), exponent for water relative permeability calculation (NW), exponent for oil relative permeability calculation (NOW), rock type, and depth of water-oil contact for Region 1. Once the parameters were evaluated, the past reservoir behavior was adjusted to simulate future behavior with an error of 3.36%, thus creating opportunity indexes that identified the new drainage areas. The model was validated by optimizing two new wells, an experimental Prob_1 with a recovery factor of 2.87%, and prob_2, which the model determined with 3.36%. Lastly, model values were compared against actual values, resulting in a model accuracy of 96.5%.La evaluación de un modelo predictivo de Machine Learning para la determinación de nuevas áreas surge por la necesidad de la industria de encontrar nuevas tecnologías como lo es la ciencia de datos, buscando optimizar procesos que puedan realizarse en el menor tiempo posible y con bajo costo operacional. A través de este proyecto de investigación se elaboró una base de datos correspondiente a 6 pozos suministrados por CMG de un campo cuyo nombre es confidencial, la cual fue sometida a un análisis exploratorio de datos (EDA).Seguido a esto, se realizan 3 fases implementando un algoritmo de aprendizaje automático supervisado a través de CMOST CMG, donde se evaluaron los parámetros de entrada como Porosidad, compresibilidad de la roca, la relación entre la permeabilidad horizontal y vertical, puntos finales de la curva de permeabilidad relativa para el tipo de roca, permeabilidad relativa al aceite a la saturación de agua connata (KROCW),permeabilidad relativa al agua a la saturación de aceite irreducible (KRWIRO),exponente para el cálculo de la permeabilidad relativa al agua (NW),exponente para el cálculo de la permeabilidad relativa al aceite (NOW),el tipo de roca y la profundidad del contacto agua-aceite para la Región 1.Una vez se evaluaron los parámetros, se ajustó el comportamiento pasado del yacimiento con el fin de simular el comportamiento futuro con un error del 3.36%, realizando así índices de oportunidad que encontraron las nuevas áreas de drenaje . El modelo se validó mediante la optimización de dos nuevos pozos, uno experimental Prob_1 con un factor de recobro del 2.87% y el prob_2 que el modelo determinó con un 3.36%. Por último, se compararon valores del modelo contra los reales, obteniendo como resultado una precisión del 96.5% del modelo.Fundación Universidad de AméricaDesarrollo tecnológicoJiménez Bracho, Edinson EnriqueMartínez Páez, Jorge LuisSanabria Galicia, Daniela Giseth2023-10-09T16:44:44Z2023-10-09T16:44:44Z2023-08-08bachelorThesishttp://purl.org/coar/resource_type/c_7a1fapplication/pdfapplication/pdfAPA 7th - Martínez Páez, J. L. y Sanabria Galicia, D. G. (2023) Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X. [Trabajo de grado, Fundación Universidad de América] Repositorio Institucional Lumieres. https://hdl.handle.net/20.500.11839/9255https://hdl.handle.net/20.500.11839/9255Atribución – No comercialhttp://purl.org/coar/access_right/c_abf2spaoai:repository.uamerica.edu.co:20.500.11839/92552025-02-01T08:02:30Z

Evaluación de un modelo predictivo de machine lerning para la determinación de nuevas de drenaje en el campo X de la cuenca X.

Publicaciones similares