Ítem
Acceso Abierto

Aplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible

dc.contributor.advisorAndrade Lotero, Edgar Jose
dc.contributor.advisorCaicedo, Alexander
dc.creatorMurcia Navas, Jose Alberto
dc.creator.degreeMagíster en Matemáticas Aplicadas y Ciencias de la Computación
dc.creator.degreetypeFull time
dc.date.accessioned2023-03-24T21:19:10Z
dc.date.available2023-03-24T21:19:10Z
dc.date.created2023-01-10
dc.descriptionLa explotación y producción de crudo en los campos petroleros en Colombia presenta varios retos, entre estos, la confiabilidad en la medición de los fluidos producidos y la capacidad de respuesta frente a caídas de producción. La determinación del volumen de fluido que es desplazado por un equipo de levantamiento artificial (Bomba BES) es fundamental para realizar un control de producción adecuado. Ya que, con estos valores es posible proyectar la producción diaria del campo e identificar pérdidas de eficiencia en los equipos de levantamiento artificial, lo cual tiene asociada una caída de la producción debido a que llegan menos volúmenes de crudo y agua a las estaciones de recolección y tratamiento, y un incumplimiento con el pronóstico de producción del día. Con el desarrollo de este proyecto es posible estimar el volumen de fluido que aporta o desplaza un equipo BES en función a sus variables y condiciones operativas. El modelo de aprendizaje de máquina entrenado corresponde a máquinas de soporte vectorial (SVM) y puede ser usado en sistemas multifásicos agua-crudo con poca producción de gas. Para el entrenamiento del modelo se tuvo en cuenta los registros de los 11 sensores instalados en los equipos BES tanto en fondo como en superficie, y se lograron resultados confiables para aquellos que desplazan fluidos con poca o nula presencia de gas.
dc.description.abstractThe exploitation and production of crude oil in the oil fields in Colombia present several challenges, among them, the reliability in the measurement of the fluids produced and the capacity to respond to production drops. The determination of the volume of fluid that is displaced by artificial lift equipment (BES pump) is essential to carry out adequate production control. With these values, it is possible to project the daily production of the field and identify efficiency losses in the artificial lift equipment, which is associated with a drop in production since fewer volumes of crude oil and water arrive at the collection stations and treatment, and a non-compliance with the day's production forecast. With the development of this project, it is possible to estimate the volume of fluid that a BES unit contributes or displaces based on its variables and operating conditions. The trained machine learning model corresponds to support vector machines (SVM) and can be used in multiphase oil-water systems with little gas production. For the training of the model, the records of the 11 sensors installed in the BES equipment both on the bottom and on the surface were considered, and reliable results were achieved for those that displace fluids with little or no presence of gas.
dc.format.extent29 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_38271
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/38271
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentEscuela de Ingeniería, Ciencia y Tecnologíaspa
dc.publisher.programMaestría en Matemáticas Aplicadas y Ciencias de la Computaciónspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationA. Géron, «Chapter 5. Support Vector Machines», en Hands-On Machine Learning with Scikit-Learn and TensorFlow, O’Reilly Media, Inc., 2017.
dc.source.bibliographicCitationA. Sheikhoushaghi, N. Y. Gharaei, y A. Nikoofard, «Application of Rough Neural Network to forecast oil production rate of an oil field in a comparative study», J. Pet. Sci. Eng., vol. 209, p. 109935, feb. 2022, doi: 10.1016/j.petrol.2021.109935.
dc.source.bibliographicCitationA. F. Ibrahim, R. Al-Dhaif, S. Elkatatny, y D. A. Shehri, «Applications of Artificial Intelligence to Predict Oil Rate for High Gas–Oil Ratio and Water-Cut Wells», ACS Omega, vol. 6, n.o 30, pp. 19484-19493, ago. 2021, doi: 10.1021/acsomega.1c01676
dc.source.bibliographicCitationN. A. Sami, «Application of machine learning algorithms to predict tubing pressure in intermittent gas lift wells», Pet. Res., vol. 7, n.o 2, pp. 246-252, jun. 2022, doi: 10.1016/j.ptlrs.2021.09.006.
dc.source.bibliographicCitationM. Crnogorac, M. Tanasijević, D. Danilović, V. Karović Maričić, y B. Leković, «Selection of Artificial Lift Methods: A Brief Review and New Model Based on Fuzzy Logic», Energies, vol. 13, n.o 7, p. 1758, abr. 2020, doi: 10.3390/en13071758.
dc.source.bibliographicCitationJ. D. WOODS y J. F. LEA, What’s new in artificial lift?, vol. 238, n.o 6. 2017. Accedido: 21 de noviembre de 2022. [En línea]. Disponible en: https://search.ebscohost.com/login.aspx?direct=true&db=bth&AN=128780082&site=eds-live
dc.source.bibliographicCitationT. Ganat, «Reliability Analysis of Multiphase Flow Measurements in Different Oil Fields», OIL GAS-Eur. Mag., 2016.
dc.source.bibliographicCitationA. Kamari, A. Bahadori, y A. H. Mohammadi, «An Efficient Approach for the Determination of Oil Production Rate During the Water-flooding Recovery Method», Pet. Sci. Technol., vol. 33, n.o 11, pp. 1208-1214, jun. 2015, doi: 10.1080/10916466.2015.1057595.
dc.source.bibliographicCitationY. Ning, H. Kazemi, y P. Tahmasebi, «A comparative machine learning study for time series oil production forecasting: ARIMA, LSTM, and Prophet», Comput. Geosci., vol. 164, p. 105126, jul. 2022, doi: 10.1016/j.cageo.2022.105126.
dc.source.bibliographicCitationR. Simanjuntak y D. Irawan, «Applying Artificial Neural Network and XGBoost to Improve Data Analytics in Oil and Gas Industry», Indones. J. Energy, vol. 4, n.o 1, pp. 26-35, feb. 2021, doi: 10.33116/ije.v4i1.103
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectBomba BES
dc.subjectModelo SVM
dc.subjectProducción de crudo
dc.subjectPronóstico de producción
dc.subjectModelo de regresión
dc.subject.keywordESP Pump
dc.subject.keywordSVM Model
dc.subject.keywordOil production
dc.subject.keywordProduction forecast
dc.subject.keywordRegression model
dc.titleAplicación de máquinas de soporte vectorial para la predicción del volumen de fluido desplazado por una bomba electrosumergible
dc.title.TranslatedTitleApplication of support vector machines for the prediction of the volume of fluid displaced by a electrical submersible pump
dc.typebachelorThesis
dc.type.documentTrabajo de grado
dc.type.spaTrabajo de grado
local.department.reportEscuela de Ingeniería, Ciencia y Tecnología
Archivos
Bloque original
Mostrando1 - 1 de 1
Cargando...
Miniatura
Nombre:
APLICACION- DE-SVM-PARA-LA-PREDICCION-DEL-VOLUMEN-DE-FLUIDO-DESPLAZADO-POR-UNA-BOMBA-ELECTROSUMERGIBLE.pdf
Tamaño:
598.56 KB
Formato:
Adobe Portable Document Format
Descripción: