Pronóstico de producción de petróleo y gas aplicando series temporales de redes neuronales con lenguaje de programación Python.

Abstract

La industria petrolera del país se ha visto afectada por la disminución de producción de hidrocarburos de los yacimientos de gas y petróleo del país, todo ello derivado de la producción acelerada que realizó el país durante años anteriores, y la falta de inversión en exploración de nuevos campos petroleros. Este proyecto tiene como objetivo desarrollar una red neuronal recurrente mejorada (RNN) que utiliza la arquitectura de LSTM, para pronosticar la producción de gas para el Campo San Alberto y predecir la producción de gas y petróleo para todo el país. Inicialmente se realiza un pronóstico de producción para el Campo San Alberto, utilizando las ecuaciones propuestas por Arps para determinar curvas de declinación y pronosticar la producción futura a través de este método empírico. Posteriormente, se desarrollará la red neuronal recurrente mejorada con LSTM, especificando los hiper - parámetros empleados para el entrenamiento del modelo. El comportamiento del modelo se observará a través de gráficos que ilustran si el modelo ha aprendido, junto con la verificación de la ausencia de sobreajuste (overfitting) mediante los costos generados de los datos de entrenamiento y validación. Finalmente, el modelo entrenado se utilizará para pronosticar la producción futura en un horizonte de 36 meses, lo que representa una perspectiva de producción de 3 años. Este pronóstico proporcionará información sobre la producción del Campo San Alberto y del país en los próximos años, si no se aplica estimulaciones a los pozos existentes o si no se descubren nuevos pozos en el país.