Predicción de Producción de Fluidos empleando Machine Learning en T Inferior del Campo Sacha

• Altamirano-Cárdenas, Adrian Israel ; Lucero-Calvache, Fernando Andrés ^[1]
  1. [1] Universidad Central del Ecuador. Quito, Ecuador
• Localización: FIGEMPA: Investigación y Desarrollo, ISSN-e 2602-8484, Vol. 16, Nº. 2, 2023 (Ejemplar dedicado a: Futuro Sostenible), págs. 70-78
• Idioma: español
• Títulos paralelos:
  • Fluid Production Prediction using Machine Learning in the Lower T of the Sacha Field
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El presente estudio tiene por objeto predecir la producción de fluidos de los pozos perforados durante el año 2021 en la arenisca T inferior en el campo Sacha. Se tomó en cuenta la información petrofísica y de fluidos para la construcción del modelo a partir de un pozo tipo mediante el software comercial el cual proporciona el análisis del comportamiento de pozos. Paralelamente mediante el lenguaje de programación Python a través de Machine Learning se desarrolló dos algoritmos: uno basado en los datos de presión de entrada (PIP) de la bomba electrosumergible (BES), y otro con datos PIP y salinidad del agua de formación del reservorio. La predicción de producción de fluidos respecto a la producción real obtuvo un error de 2% con el software comercial mientras que en las dos simulaciones a través de Python se obtuvo 10% y 0.5% de error respectivamente. Para el caso de la predicción de producción de gas el valor real es de 0.07 MMSCFD mientras que el obtenido mediante la simulación con el software comercial es de 0.41 MMSCFD. Para el caso de la primera y segunda simulación con Python se obtuvo una mejor aproximación de 0.11 MMSCFD y 0.10 MMSCFD respectivamente. El incremento de variables en Python permite la reducción del porcentaje de error e incrementa el ajuste de la predicción de producción de fluidos y gas, en este caso la PIP de la BES y salinidad de agua de formación.

  • English

    The purpose of this study is to predict the fluid production of the wells drilled during the year 2021 in the lower T sandstone in the Sacha field. The petrophysical and fluid information was considered for the construction of the model from a standard well using commercial software, which provides the analysis of well behavior. In parallel, using the Python programming language through Machine Learning, two algorithms were developed: one based on the pump intake pressure (PIP) data of the electric submersible pump (ESP), and another with PIP data and salinity of the reservoir formation water. The prediction of fluid production with respect to the real production, found an error of 2% with the commercial software while in the two simulations through Python an error of 10% and 0.5% was obtained respectively. In the case of gas production prediction, the real value is 0.07 MMSCFD, while the one obtained by simulation with commercial software is 0.41 MMSCFD. For the case of the first and second simulation with Python, a better approximation of 0.11 MMSCFD and 0.10 MMSCFD was obtained respectively. The increase of variables in Python allows the reduction of the percentage of error and increases the adjustment of the of fluid and gas production prediction, in this case the PIP of the BES and salinity of formation water.