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

The implementation of a predictive machine learning model to estimate optimal drilling parameters arises from the need for the industry to migrate towards data science seeking to optimize processes. Through this research project, a database corresponding to the wells drilled with a downhole motor du...

Full description

Autores:
Tipo de recurso:
Fecha de publicación:
2021
Institución:
Universidad de América
Repositorio:
Lumieres
Idioma:
spa
OAI Identifier:
oai:repository.uamerica.edu.co:20.500.11839/8269
Acceso en línea:
https://hdl.handle.net/20.500.11839/8269
Palabra clave:
Energía mecánica específica
Modelo predictivo
Perforación de pozos
Specific mechanical energy
Predictive model
Well drilling
Tesis y disertaciones académicas
Rights
License
Atribución – No comercial
id Lumieres_facd7ec60b3c81ef74f74de49fc295c0
oai_identifier_str oai:repository.uamerica.edu.co:20.500.11839/8269
network_acronym_str Lumieres
network_name_str Lumieres
repository_id_str
spelling 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 2019Implementation of a machine learning predictive model for the estimation of the optimal parameters of the ROP and MSE in section 8½ ’’ and 12 ¼ ’’ for the drilled wells with downhole motor in Yarigu - Cantagallo field during 2019Energía mecánica específicaModelo predictivoPerforación de pozosSpecific mechanical energyPredictive modelWell drillingTesis y disertaciones académicasThe implementation of a predictive machine learning model to estimate optimal drilling parameters arises from the need for the industry to migrate towards data science seeking to optimize processes. Through this research project, a database corresponding to the wells drilled with a downhole motor during 2019 in the aforementioned field was generated, which was subjected to an exploratory data analysis (EDA). Following this, it was divided for standardization and testing of the predictive model. Once this division was made, a supervised automatic learning algorithm was implemented such as Random Forest Regressor, having as input variables the revolutions per minute (RPM) of the surface and the bottom, the weight on the bit (WOB), the flow rate. (Q), the torque (TQ) and the information corresponding to the tops of the drilled geological formations, and the penetration rate (ROP) and the specific mechanical energy (MSE) were obtained as output variables.La 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).Fundación Universidad de AméricaGómez Alba, Sebastián AlejandroTabares Rodríguez, NathaliaTobar Castilla, Daniel2021-04-03T23:11:13Z2021-04-03T23:11:13Z2021-02-10bachelorThesishttp://purl.org/coar/resource_type/c_7a1fapplication/pdfapplication/pdfAPA 7th - Tabares Rodríguez, N. y Tobar Castilla, D. (2021) 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. [Trabajo de grado, Fundación Universidad de América] Repositorio Institucional Lumieres. https://hdl.handle.net/20.500.11839/8269https://hdl.handle.net/20.500.11839/8269Atribución – No comercialhttp://purl.org/coar/access_right/c_abf2spaoai:repository.uamerica.edu.co:20.500.11839/82692025-02-01T08:58:16Z
dc.title.none.fl_str_mv 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
Implementation of a machine learning predictive model for the estimation of the optimal parameters of the ROP and MSE in section 8½ ’’ and 12 ¼ ’’ for the drilled wells with downhole motor in Yarigu - Cantagallo field during 2019
title 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
spellingShingle 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
Energía mecánica específica
Modelo predictivo
Perforación de pozos
Specific mechanical energy
Predictive model
Well drilling
Tesis y disertaciones académicas
title_short 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
title_full 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
title_fullStr 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
title_full_unstemmed 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
title_sort 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
dc.contributor.none.fl_str_mv Gómez Alba, Sebastián Alejandro
dc.subject.none.fl_str_mv Energía mecánica específica
Modelo predictivo
Perforación de pozos
Specific mechanical energy
Predictive model
Well drilling
Tesis y disertaciones académicas
topic Energía mecánica específica
Modelo predictivo
Perforación de pozos
Specific mechanical energy
Predictive model
Well drilling
Tesis y disertaciones académicas
description The implementation of a predictive machine learning model to estimate optimal drilling parameters arises from the need for the industry to migrate towards data science seeking to optimize processes. Through this research project, a database corresponding to the wells drilled with a downhole motor during 2019 in the aforementioned field was generated, which was subjected to an exploratory data analysis (EDA). Following this, it was divided for standardization and testing of the predictive model. Once this division was made, a supervised automatic learning algorithm was implemented such as Random Forest Regressor, having as input variables the revolutions per minute (RPM) of the surface and the bottom, the weight on the bit (WOB), the flow rate. (Q), the torque (TQ) and the information corresponding to the tops of the drilled geological formations, and the penetration rate (ROP) and the specific mechanical energy (MSE) were obtained as output variables.
publishDate 2021
dc.date.none.fl_str_mv 2021-04-03T23:11:13Z
2021-04-03T23:11:13Z
2021-02-10
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 - Tabares Rodríguez, N. y Tobar Castilla, D. (2021) 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. [Trabajo de grado, Fundación Universidad de América] Repositorio Institucional Lumieres. https://hdl.handle.net/20.500.11839/8269
https://hdl.handle.net/20.500.11839/8269
identifier_str_mv APA 7th - Tabares Rodríguez, N. y Tobar Castilla, D. (2021) 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. [Trabajo de grado, Fundación Universidad de América] Repositorio Institucional Lumieres. https://hdl.handle.net/20.500.11839/8269
url https://hdl.handle.net/20.500.11839/8269
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
publisher.none.fl_str_mv Fundación Universidad de América
institution Universidad de América
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1841553089033666560

Publicaciones similares