Aplicación del método machine learning en la toma de decisiones para optimizar la perforación de pozos.

Abstract

Este trabajo detalla el desarrollo de un modelo Machine Learning (ML) para la optimización de la Rate of Penetration (ROP) (Tasa de Penetración) en la perforación de pozos petroleros. Este trabajo se centra en la implementacio´n y comparación de algoritmos avanzados de Machine Learning (ML), específicamente Gradient Boosting Machine (GBM), eXtreme Gradient Boosting (xGBoost) y Random Forest (RF), con el objetivo de mejorar la eficiencia operativa y reducir costos. La investigación se basa en datos operativos recopilados de cuatro pozos distintos: RGD-53, RGD-100D, SBL-8 y SRW-8D, proporcionando una base sólida para el entrenamiento y la validación de los modelos propuestos. Los resultados obtenidos demuestran que los modelos ML son herramientas poderosas para predecir y optimizar la ROP. El algoritmo xGBoost, en particular, mostro´ un rendimiento superior, seguido por RF y GBM, indicando su potencial para ser implementado en operaciones de perforación reales. Estos hallazgos sugieren que la integración de modelos predictivos basados en ML puede resultar en una planificación más precisa y una ejecución más eficiente de la perforación de pozos petroleros. Las conclusiones del estudio enfatizan la importancia de la selección de algoritmos y la calidad de los datos en la precisión de las predicciones de la Rate of Penetration (ROP). La aplicación práctica de estos modelos podr´ıa significar un avance considerable en la industria petrolera, permitiendo una toma de decisiones más informada y precisa, asá como también una optimización efectiva de los recursos. Además, se recomienda la realización de pruebas adicionales en un entorno de producción para validar la eficacia de los modelos en tiempo real y explorar su integración con sistemas de control automatizado. Este trabajo no solo contribuye al campo académico proporcionando una metodolog´ıa robusta para la optimización de la ROP, sino que también ofrece una perspectiva aplicable para la mejora continua en las operaciones de perforación. La implementación de estos modelos tiene el potencial de transformar las prácticas actuales, llevando a la industria hacia una era de mayor automatización y eficiencia.