DSpace JSPUI

1. Lumieres - Repositorio institucional Universidad de América
2. Ingenierías
3. Ingeniería de Petróleos
4. Trabajos de grado - Ingeniería de Petróleos

Title:	Diseño de un algoritmo de decisión con machine learning para la obtención de una respuesta sobre la aplicabilidad de los equipos ESP, basándose en el análisis estadístico del comportamiento de estos bajo condiciones especiales de campos en Colombia.
Authors:	Andrade Rodríguez, Juan Sebastián
Thesis advisor:	Triana Pérez, Guillermo
License type:	Atribución – No comercial
Keywords:	Análisis estadístico del comportamiento;Bombeo electrosumergible;Condiciones especiales;Statistical behavior analysis;Electro-submersible pumping;Special conditions;Tesis y disertaciones académicas
Issue Date:	26-Apr-2021
Publisher:	Fundación Universidad de América
Resumen:	La producción de petróleo mediante el uso de sistemas de bombeo electrosumergible es un proceso industrial que genera la necesidad recolectar y analizar una gran cantidad de información, que se almacena con el objetivo de ser utilizada como base estadística para futuros procesos. En este proyecto se realizó un estudio estadístico con Machine Learning, mediante la programación de un algoritmo de aproximadamente 2500 líneas de código, y utilizando la metodología Caret en el software RStudio. Se evaluaron un total de 586 pozos y 51 variables, de los cuales el 80% se utilizó para entrenar el modelo predictivo, y el 20% restante se utilizó para determinar la capacidad predictiva del modelo. Los resultados con el 80% permitieron observar la forma en la que está distribuida la probabilidad en los niveles de la variable “Causa_Raíz”. Con los resultados del 20% se programaron gráficos que permitieron observar los resultados de la predicción en función de las condiciones especiales de campo arena, asfalteno y scale. Lo anterior permitió establecer que el algoritmo tiene la capacidad de predecir valores diferentes a los originales. El estudio se fortalece con el criterio y el conocimiento del ingeniero de petróleos, ya que permite analizar el resultado final del estudio, de tal forma que se logre tomar la mejor decisión sobre la aplicabilidad de los equipos.
Abstract:	Oil production through the use of electro-submersible pumping systems is an industrial process that generates the need to collect and analyze a large amount of information, which is stored with the aim of being used as a statistical base for future processes. In this project, a statistical study was carried out with Machine Learning, by programming an algorithm of approximately 2500 lines of code, and using the Caret methodology in the RStudio software. A total of 586 wells and 51 variables were evaluated, of which 80% was used to train the predictive model, and the remaining 20% ​​was used to determine the predictive capacity of the model. The results with 80% allowed us to observe the way in which the probability is distributed in the levels of the variable "Causa_Raíz". With the results of 20%, graphs were programmed that allowed observing the results of the prediction based on the special conditions of the sand, asphaltene and scale field. This allowed establishing that the algorithm has the ability to predict values ​​different from the original ones. The study is strengthened with the judgment and knowledge of the petroleum engineer, since it allows analyzing the final result of the study, in such a way that the best decision on the applicability of the equipment can be made.
URI:	https://hdl.handle.net/20.500.11839/8774
Citation:	APA 7th - Andrade Rodríguez, J. S. (2021) Diseño de un algoritmo de decisión con machine learning para la obtención de una respuesta sobre la aplicabilidad de los equipos ESP, basándose en el análisis estadístico del comportamiento de estos bajo condiciones especiales de campos en Colombia. [Trabajo de grado, Fundación Universidad de América] Repositorio Institucional Lumieres. https://hdl.handle.net/20.500.11839/8774
Appears in Collections:	Trabajos de grado - Ingeniería de Petróleos

This item is licensed under a Creative Commons Licence