Machine Learning Models for Calculating Pump Intake Pressure in Pumped Wells

En lo profundo de la tierra, los pozos petroleros no son solo agujeros en el suelo; son sistemas complejos y presurizados donde los fluidos son inducidos hacia arriba contra la gravedad. Para que estos pozos produzcan de manera eficiente, los ingenieros deben conocer la presión en el punto más bajo de la bomba, un valor conocido como presión de entrada de la bomba. Esta medición actúa como un signo vital para el pozo, indicando a los operadores si la bomba está trabajando demasiado, si el fluido está fluyendo correctamente o si el equipo corre el riesgo de fallar. La forma más directa de obtener este número es bajar un sensor por el pozo, pero esto es costoso, y esos sensores pueden romperse o fallar, dejando al pozo sin una lectura crítica. Cuando el sensor falta, los ingenieros han dependido históricamente de fórmulas matemáticas para adivinar la presión basándose en lo que pueden medir en la superficie, como la presión en la parte superior de la tubería o el nivel de fluido en el pozo. Sin embargo, estos métodos tradicionales de adivinación han sido a menudo imprecisos, dejando a los operadores con una imagen borrosa de lo que sucede en las profundidades del subsuelo.

Un equipo de investigadores se propuso despejar esa niebla enseñando a las computadoras a aprender la relación entre las mediciones de superficie y la presión profunda. Reunieron una vasta colección de datos del mundo real de más de cien pozos petroleros en Egipto, todos los cuales estaban equipados con sensores funcionales que proporcionaban las lecturas de presión reales. De esta base de datos, seleccionaron miles de momentos específicos donde conocían la presión exacta en la entrada de la bomba, junto con las condiciones de superficie correspondientes en ese mismo instante. Luego, introdujeron esta información en seis tipos diferentes de modelos computacionales, que van desde ecuaciones estadísticas simples hasta sistemas más complejos que imitan la forma en que el cerebro humano procesa la información. El objetivo era ver si estos modelos digitales podían aprender los patrones ocultos que vinculan los datos de superficie con la presión profunda, permitiendo efectivamente predecir las lecturas de los sensores faltantes con alta precisión.

Los investigadores probaron cada modelo para ver qué tan bien podía predecir la presión para datos que nunca había visto antes. Los modelos más simples, que dependían de relaciones de línea recta entre variables, tuvieron dificultades significativas. Fallaron el objetivo por un margen amplio, con sus predicciones desviándose de los valores reales en casi un setenta por ciento en promedio. Incluso cuando los investigadores intentaron usar curvas matemáticas más complejas, la mejora fue mínima. Algunos de los modelos, específicamente aquellos que construyen reglas de decisión como un diagrama de flujo, se concentraron demasiado en los datos de entrenamiento. Memorizaron perfectamente los ejemplos, pero no lograron generalizar, lo que resultó en predicciones que eran precisas para los datos que estudiaron, pero poco fiables para nuevos pozos. Este sobreajuste significaba que, aunque parecían perfectos en el papel, no eran lo suficientemente robustos para el uso en el mundo real.

El claro ganador en esta comparación fue la red neuronal artificial, un tipo de modelo diseñado para encontrar conexiones intrincadas y no lineales en los datos. A diferencia de los otros métodos, este modelo no solo trazó una línea recta o una curva simple; aprendió una compleja red de relaciones entre los nueve factores de entrada, tales como la tasa de producción de petróleo, el contenido de agua, la presión en la cabeza del pozo y la profundidad de la bomba. Al ser probado contra las lectiones reales de los sensores, esta red neuronal demostró ser notablemente precisa. Predijo la presión de entrada de la bomba con un error promedio de solo alrededor del doce por ciento, una mejora vasta respecto a los otros métodos. El modelo fue tan consistente que funcionó casi de igual manera en los datos con los que aprendió y en los nuevos datos con los que fue probado, demostrando que realmente había aprendido la física subyacente del sistema en lugar de solo memorizar números.

El estudio también reveló qué piezas de información eran más críticas para que el modelo realizara sus conjeturas precisas. Si bien la profundidad del líquido sobre la bomba fue el factor más importante, el modelo también dependió fuertemente de la presión en el espacio que rodea la tubería y del tamaño de ese espacio. Cuando los investigadores eliminaron estos insumos específicos, la precisión del modelo cayó drásticamente, demostrando que incluso los detalles que parecen menores son esenciales para una imagen completa. Los hallazgos sugieren que en pozos donde los costosos sensores de fondo están ausentes o rotos, este enfoque de inteligencia artificial ofrece una alternativa fiable. Al utilizar únicamente las mediciones que ya se toman rutinariamente en la superficie, los operadores pueden ahora calcular la presión profunda con un nivel de confianza que antes era inalcanzable, asegurando que estos pozos sigan funcionando de manera segura y eficiente sin la necesidad de constantes y costosas reparaciones de equipos.