Hybrid Machine Learning and Meta-Heuristic Optimization for Well Placement and Operating Conditions in Carbonate Rocks: Low-Salinity Water Injection

Resumen Técnico: Aprendizaje Automático Híbrido y Optimización Metaheurística para la Ubicación de Pozos y Condiciones Operativas en Rocas Carbonatadas

Planteamiento del Problema
La inyección de agua de baja salinidad (LSWI, por sus siglas en inglés) es una técnica reconocida de recuperación mejorada de petróleo (EOR), particularmente efectiva en yacimientos carbonatados heterogéneos donde mejora la eficiencia de barrido mediante la alteración de la mojabilidad e intercambio iónico. Sin embargo, la optimización de los procesos de LSWI es computacionalmente prohibitiva. El modelado preciso requiere simulaciones de yacimientos composicionales para capturar interacciones complejas entre roca y fluido, las cuales requieren mucho tiempo (varias horas por escenario). En consecuencia, la optimización directa de la ubicación de pozos y las condiciones operativas utilizando modelos de física completa es impracticable para grandes espacios de decisión. Los enfoques tradicionales de prueba y error son ineficientes y, si bien estudios previos han optimizado los parámetros de LSWI utilizando algoritmos como DECE, estos se han basado mayoritariamente en modelos basados en la física o se han centrado en yacimientos de arenisca. Existe una brecha en la literatura con respecto a la optimización simultánea de la ubicación de pozos y las condiciones operativas en yacimientos carbonatados utilizando un marco de trabajo basado en datos que acople modelos sustitutos con algoritmos metaheurísticos.

Metodología
El estudio propone un marco de trabajo basado en datos que integra modelos sustitutos de Redes Neuronales Artificiales (ANN) con algoritmos de optimización metaheurística multiobjetivo (Algoritmo Genético, Optimización por Enjambre de Partículas y Optimización de Búsqueda de Lobo Gris). El flujo de trabajo procede de la siguiente manera:

1. Modelado y Simulación de Yacimientos: Se construyó un modelo de sector de un yacimiento carbonatado heterogéneo (6020 pies × 6020 pies × 100 pies) utilizando un simulador composicional con la Ecuación de Estado de Peng-Robinson (PR-EOS). El modelo incorporó minerales de arcilla, cuarzo, calcita y dolomía, con distribuciones heterogéneas de porosidad, permeabilidad y capacidad de intercambio catiónico (CEC). Las curvas de permeabilidad relativa se interpolaron basándose en los mecanismos de intercambio iónico entre condiciones de alta y baja salinidad.
2. Generación de Datos: Para entrenar los modelos sustitutos, se generaron tablas de diseño experimental utilizando el método de Hipercubo Latino.
   • Fase de Ubicación de Pozos: Se realizaron 665 corridas de simulación para generar datos que vinculan las coordenadas de los bloques de los pozos (mapeadas a porosidad local, permeabilidad y CEC) con los parámetros objetivo: factor de recuperación de petróleo (RF), corte de agua (WC) y Valor Presente Neto (NPV).
   • Fase de Condiciones Operativas: Se realizó un segundo conjunto de simulaciones utilizando las ubicaciones óptimas de los pozos para generar datos que vinculan las variables operativas (tasa de inyección, tasa de producción, presión de fondo de pozo y estado de perforación) con los parámetros objetivo (RF, producción acumulada de agua y NPV).
3. Desarrollo del Modelo Sustituto: Se desarrollaron dos ANN distintas:
   • Una red de tres capas ocultas (54-25-13 neuronas) para la optimización de la ubicación de pozos.
   • Una red de una sola capa oculta (42 neuronas) para la optimización de las condiciones operativas.
     Ambas fueron entrenadas utilizando regularización bayesiana, empleando entre el 70-80% de los datos para el entrenamiento y el resto para las pruebas.
4. Optimización: Las ANN entrenadas sirvieron como proxies rápidos del simulador de física completa. Se acoplaron con los algoritmos GA, PSO y GWO para identificar soluciones de Pareto-óptimas que maximizan el NPV y el RF, mientras minimizan la producción de agua.
5. Validación: Las soluciones seleccionadas de los frentes de Pareto fueron validadas mediante la ejecución en el simulador de física completa para calcular los errores relativos.

Resultados Clave
El estudio demuestra mejoras significativas tanto en la eficiencia computacional como en el rendimiento del yacimiento:

• Eficiencia Computacional: El modelo sustituto redujo el tiempo de evaluación de cada escenario de aproximadamente 3 horas (física completa) a cerca de 1 segundo. El proceso de optimización completo para cada algoritmo tomó aproximadamente 50 minutos, en comparación con los meses requeridos para la optimización de física completa.
• Precisión del Modelo: Los modelos ANN alcanzaron una alta precisión predictiva, con valores de R-cuadrado de 0.963 (entrenamiento) y 0.942 (prueba) para la ubicación de pozos, y superiores a 0.9 para las condiciones operativas. Los errores cuadráticos medios fueron 0.003 y 0.0027, respectivamente.
• Mejoras de Desempeño:
  • Optimización de Ubicación de Pozos: Utilizando el Algoritmo Genético (que produjo el error más bajo), la optimización de las ubicaciones de los pozos aumentó el NPV en $70 millones e incrementó el factor de recuperación de petróleo en un 6% (del 50.1% al 56.1%). Los pozos óptimos se ubicaron en bloques con alta porosidad, permeabilidad y CEC.
  • Optimización de Condiciones Operativas: Utilizando el algoritmo de Optimización de Búsqueda de Lobo Gris (seleccionado por tener el error más bajo en esta fase), la optimización de los parámetros operativos (presión, tasas, estado de perforación) aumentó aún más el NPV en $160 millones y elevó el factor de recuperación de petróleo al 66.3%.
  • Optimización Combinada: La optimización simultánea de la ubicación de pozos y las condiciones operativas resultó en un aumento total del NPV de $230 millones, un incremento del 16.2% en la recuperación de petróleo y una reducción de 290 MMSTB en la producción acumulada de agua en comparación con el caso base.

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona una alternativa computacionalmente eficiente para la optimización del rendimiento de LSWI en yacimientos carbonatados. La contribución principal es la integración exitosa de modelos sustitutos basados en ANN con algoritmos metaheurísticos multiobjetivo para optimizar simultáneamente la ubicación de pozos y las condiciones operativas, una combinación que no se había investigado previamente para LSWI.

El documento sostiene que este marco de trabajo permite la exploración de espacios de decisión grandes y complejos que de otro modo serían inviables debido a las restricciones computacionales. Al reducir el tiempo de simulación de horas a segundos sin sacrificar la precisión predictiva, el método propuesto respalda la toma de decisiones más rápida y basada en datos para proyectos de EOR a escala de campo. El estudio concluye que, si bien el marco actual asume propiedades petrofísicas estáticas, establece una línea base robusta para la optimización de LSWI, sugiriendo como trabajo futuro la integración de la incertidumbre petrofísica mediante simulaciones de Monte Carlo.