Professional Documents
Culture Documents
SUPERVISION INTELIGENTE EN LA
PRODUCCIN INDUSTRIAL
Por: Msc. Edgar Alexander Camargo Contreras.
Proyecto presentando ante la ilustre Universidad de Los Andes como requisito final
para optar al titulo de Doctor en Ciencias Aplicadas en Automatizacin y Control.
Tutores:
Dr. Jos L. Aguilar Castro
Dr. Francklin Rivas
Febrero 2010
Dedicatoria
Dedicado a todas aquellas personas que hicieron posible el terminar este largo camino,
especialmente a mi familia que es mi principal fuente de inspiracin. Gracia a su ayuda se hizo
realidad esta meta.
Agradecimientos
A Dios, por darme la perseverancia y capacidad para lograr este objetivo
primordial en mi vida.
A la Universidad de Los Andes, Facultad de Ingeniera, Doctorado en
Ciencias Aplicadas, por permitirme ser integrante de esta importante casa de
estudios.
Al Dr. Jos Aguilar, por haberme dado la oportunidad de elaborar la tesis
bajo su direccin y por el apoyo incondicional brindado.
Al Dr. Francklin Rivas y Dr. Addison Ros, por darme la oportunidad de
trabajar a su lado en esta importante investigacin, por guiarme y apoyarme
durante la realizacin de este proyecto de grado.
Al Dr. Joseph Aguilar, por la asesoria y lograr con ello, un mejor trabajo.
Al LAAS-CNRS, Grupo Disco, por brindarme la oportunidad de estar en sus
instalaciones y por los comentarios a esta tesis.
A PDVSA Occidente por permitir formar parte de esta gran institucin.
A mis compaeros Cesar Bravo y Niriaska Perozo con quienes compart
buenos momentos y por sus comentarios. Fue un gusto conocerlos.
Al FONACIT, CDCHT-ULA y PCP por el apoyo econmico brindado, sin
estos no hubiese podido llevar a cabo este proyecto.
Este trabajo ha sido financiado por el FONACIT bajo el proyecto No.
2005000170, por el CDCHT-ULA a travs del proyecto No. I-820-05-02-AA, y por
el
PCP
travs
del
proyecto
de
Automatizacin
No.
200500380,
Resumen
En este trabajo se presenta un esquema de Supervisin Inteligente de la
Produccin Industrial. Dicho esquema es probado en pozos petroleros que
requieren levantamiento artificial por gas (LAG). La propuesta est basada en la
estimacin de la produccin posible, de las variables del proceso (en especifico,
de las presiones de fondo), y en la deteccin de escenarios operacionales del
proceso (en el caso de estudio, como pozo productor de petrleo). Para tal fin, la
propuesta combina tcnicas Inteligentes (Algoritmo Genticos, Clasificacin
Difusa, NeuroDifusos) y Balance de Masa de Energa a nivel de cabezal de pozo,
para la obtencin del Modelo Matemtico del desempeo del pozo. En nuestro
estudio en especifico, el esquema permite determinar el flujo de crudo o gas que
puede producir un pozo, tomando en cuenta la geometra de la perforacin y el
potencial del yacimiento, como tambin criterios econmicos relacionados con las
curvas de desempeo del pozo y el costo de comercializacin del crudo y gas.
Todos esos aspectos son incorporados a una funcin objetivo, la cual representa
la funcin a optimizar. La posibilidad de estimar variables de fondo le da una gran
importancia operacional, ya que los costos de instalacin y mantenimiento de
tecnologa de fondo son muy elevados, resultando no ser rentable a la produccin
del pozo. En general, esta propuesta est orientada a la dotacin del pozo de
inteligencia
al
conferirle
caractersticas
de
auto-diagnosticacin
en
sitio,
ndice General
1. INTRODUCCIN 1
1.1. INTRODUCCIN. 1
1.2. ANTECEDENTES 5
1.3. PLANTEAMIENTO DEL PROBLEMA.. 6
1.4. JUSTIFICACIN.. 8
1.5. OBJETIVOS.. 9
1.5.1. Objetivo General... 9
1.5.2. Objetivos Especficos
21
42
50
53
59
102
Bibliografa 118
Apndices A. 122
Apndices B.. 126
VII
Indice de Tablas
3.1
66
3.2
68
3.3
69
3.4
70
3.5
74
4.1
77
4.2
79
4.3
82
4.4
84
4.5
84
4.6
86
4.7
89
4.8
4.9
Patrones de Entrenamiento.
100
4.10
Resultados Obtenidos..
105
B.1
B.2
B.3
B.4
B.5
B.6
B.7
B.8
B.9
IX
ndice de Figuras
2.1
13
2.2
15
2.3
15
2.4
2.5
2.6
2.7
Anlisis Nodal.
2.8
2.9
32
2.10
33
2.11
36
2.12
36
2.13
2.14
28
44
INDICE DE FIGURAS
2.15
Neurona Artificial
45
2.16
47
2.17
Aprendizaje Supervisado..
49
2.18
Neurona Difusa...
51
2.19
Sinapsis de la ND...
52
2.20
Estructura de un Individuo
55
3.1
58
3.2
69
3.3
70
3.4
71
3.5
74
4.1
78
4.2
80
4.3
81
4.4
4.5
4.6
4.7
90
4.8
91
4.9
91
4.10
92
4.11
93
4.12
93
4.13
94
85
4.14
4.15
98
4.16
98
4.17
4.18
A.1
115
A.2
Particiones Difusas
116
B.1
B.2
B.3
B.4
B.5
B.6
B.7
B.8
B.9
Captulo 1
INTRODUCCIN
1.1. INTRODUCCIN.
La Industria del Petrleo y Gas est enfrentada a retos tecnolgicos
cada vez ms exigentes para desarrollar nuevas reservas de hidrocarburos,
en la medida que los campos petroleros llegan a su madurez y comienzan a
declinar. Encontrar y Producir ms, a un bajo costo operacional luce un
objetivo ambicioso, debido al alto costo de las actividades de exploracin y
produccin (E&P). En todo caso, aumentar la produccin de hidrocarburo y
reducir los costos de exploracin y produccin son una prioridad para la
industria de los hidrocarburos, en un contexto en que las mayores reservas
de petrleo convencional y gas, de fcil acceso y bajo costo, ya han sido
descubiertas y estn siendo explotadas por lo que estas reservas se estn
agotando.
Las
tcnicas de
(tales
como
solventes,
polmeros
lcalis),
inclusive
1.2. ANTECEDENTES.
de
Flujo.
Histricamente,
la
administracin
de
dichos
en
1.4. JUSTIFICACIN.
esta
manera
tomar
las
mejores
decisiones
con
respecto
al
1.5. OBJETIVOS.
de inters para la
investigacin.
Captulo 2
MARCO TEORICO
En este captulo se explica el proceso fsico del comportamiento del petrleo desde el
yacimiento hasta la superficie. Seguidamente se describe el funcionamiento del mtodo
extraccin de petrleo por Levantamiento Artificial por Gas (LAG) y el problema de
optimizacin de energa en los pozos LAG. Posteriormente se da una breve resea sobre las
redes neuronales artificiales, la lgica difusa, los modelos neodifusos y los algoritmos
evolutivos, con el propsito de establecer un marco conceptual para la investigacin
planteada.
interconectadas
por
la
estacin de flujo,
, donde la presin es
del pozo,
. Mientras mas
grande sea el hoyo, mayor ser el rea de comunicacin entre el yacimiento y el pozo,
mejorando el ndice de productividad del pozo.
Los fluidos aportados por el yacimiento atraviesan la completacin, que puede ser un
revestidor de produccin cementado y perforado, normalmente utilizado en formaciones
consolidadas, o un empaque con grava, normalmente utilizado en formaciones poco
consolidadas para el control de arena.
Al salir del pozo, el fluido continua a travs de la lnea de flujo superficial, llegando al
separador en la estacin de flujo con una presin del separador
, donde se separa la
mayor parte del gas del petrleo. El resto del gas se termina de separar en el tanque de
almacenamiento [18].
para predecir la
La figura 2.3 muestra cuando la presin de fondo fluyente est por debajo de la
presin de burbujeo, pero la de presin de yacimiento no.
El ndice de productividad
Pero, por arriba del punto de burbujeo, el caudal est expresado por:
De esta manera, para presiones de fondo fluyente por debajo del punto de burbujeo, la
ecuacin de afluencia est definida por:
menores a
mayores o iguales a
una liquida (petrleo) y otra gaseosa (gas libre que se vaporizo del petrleo). El flujo de gas
invade parte de los canales de flujo del petrleo, disminuyndose la permeabilidad efectiva
. De esta manera se define el ndice de productividad (
entre la tasa de produccin,
fluyente en el fondo del pozo,
El Levantamiento Artificial por Gas es uno de los mtodos mas utilizados a nivel
mundial para el levantamiento de la produccin en pozos petroleros. Conceptualmente es
muy sencillo, ya que en su versin de flujo continuo es similar al mtodo de produccin por
flujo natural, con la diferencia que la relacin gas-lquido en la columna de fluidos es alterada
mediante la inyeccin de gas comprimido. El gas disminuye el peso de la columna, de tal
forma que la energa del yacimiento resulta suficiente para levantar la produccin hasta la
superficie.
a la salida de las Plantas de Compresin (PC) (1), de all es recibido generalmente en uno o
varios Mltiples de Alta Presin (MP) (2), que a su vez distribuyen el gas a los diferentes
Mltiples de Inyeccin, llamados tambin mltiples de levantamiento artificial por gas
(MLAG) (3), donde se regula por medio de vlvulas estranguladoras la cantidad de gas
consumida por cada uno de los Pozos (4); una vez que el gas se mezcla con la corriente de
fluido aportada por el yacimiento, viaja con ste hasta los Mltiples de Produccin(MP), de
Recoleccin (MR) (5), y Estaciones de Flujo (EF) (6), que cumplen la funcin de almacenar
temporalmente el crudo y separar el lquido del gas enviando el liquido a los Mltiples de
Bombeo (MB) (7), y posteriormente a los diferentes patios de tanques (8), y el gas a la red
de recoleccin que llega nuevamente a las unidades de compresin (1).
El gas de formacin, o gas aportado por los yacimientos, es utilizado en baja presin
como combustible en las plantas de compresin (1), y el excedente es transferido a baja o
alta presin a plantas de inyeccin de agua (9), u otras reas de Produccin o terceros (10),
tal y como se muestra en el siguiente diagrama.
10
TERCERO
PLANTA INYECCION
DE AGUA
9
2
MULTIPLE ALTA
PRESIN
MULTIPLE G AS LIFT
COMPRESION DE GAS
3
MULTIPLE DE
PRODUCCIN
PLANTA
PROCESO DE GAS DE
RECOLECCIN DE CRUDO
POZO
PATIO DE
TANQUE
ESTACION DE
FLUJO
7
MULTIPLE DE
BOMBEO
produccin (
aumenta hasta alcanzar su mximo valor (Regin Estable o Escenario Normal); tal que
incrementos adicionales en la inyeccin (Escenario SobreInyectado), o por debajo de la
inyeccin necesaria (SubInyectado), causarn una disminucin en la produccin (Regin
Inestable) [10,18,30].
Regin Estable
Qprod, BNPD
R e g i n
In e s ta b le
R e g i n
In e s ta b le
F G L, m pcgd
"
), Tasa de Produccin
Gas Inyectado
El nodo debe colocarse justamente antes (extremo aguas arriba) o despus (extremo
aguas abajo) del componente donde se modifica la variable. Por ejemplo, si se desea
estudiar el efecto que tiene el dimetro de la lnea de flujo sobre la produccin del pozo, es
ms conveniente colocar el nodo en el cabezal o en el separador que en el fondo del pozo.
Levantamiento Artificial.
Para una presin fija de entrada de la tubera PE, se procede a calcular la presin a
la salida de la misma para varios caudales. Esta presin se denomina presin del
nodo.
Para una presin fija de salida de la tubera PS, se procede a calcular la presin de
entrada de la misma para varios caudales.
S grafican las presiones del nodo obtenidas en ambos casos contra los caudales
estudiados, y el punto de corte de las dos curvas representa el punto de equilibrio en
donde el sistema operar.
Ahora bien, el primer paso en el diseo de un pozo en Levantamiento Artificial por Gas
(LAG) es la determinacin del punto de inyeccin. La determinacin del punto de gas de
inyeccin implica el clculo simultneo del caudal de inyeccin de gas y la mxima tasa de
lquido que el pozo puede producir.
los procedimientos son iguales, slo que cada vez que se introduce una relacin gas-lquido
de inyeccin se debe verificar que no sobrepase la capacidad del sistema de levantamiento.
Una restriccin en el caudal de gas disponible puede hacer que no se llegue alcanzar el
gradiente mnimo de presin en la tubera y, por consiguiente, el punto de inyeccin puede
estar ubicado por arriba de lo deseado.
, y la presin final,
= $+ #+
$=
#=
#=
"
$ #
"
$ #
P sep
Pws
Cada regla opera de la siguiente forma: si las condiciones del antecedente son
satisfechas, entonces la conclusin del consecuente es aplicada. Para un modelo difuso, las
es & , donde
*=(
* , $ = ( ,
Segn el mtodo propuesto por Mamdani, la agregacin de las salidas para cada regla
se lleva a cabo mediante la unin de las relaciones difusas individuales, es decir:
* = ' %= *
De esta manera, la funcin de membresa del conjunto difuso * esta dada por la
siguiente expresin:
* , $ = ) =% * , $
es:
$ = ) =%
Donde:
= ), ( - , ( ,
fusificacin consiste en crear un conjunto difuso A, cuya funcin de membresa sea tal que
para cualquier , & su valor sea cero, excepto para el valor , , donde tome el valor de 1.
"
Esta forma de fusificar el valor de la entrada simplifica el clculo del grado de disparo
de cada regla del modelo difuso. En el caso del modelo SISO (Una Entrada, Una Salida)
= ( ,"
Para los modelos MISO (Mltiples Entradas, Una Salida), al aplicar el proceso de
fusificacin el valor del grado de disparo se obtiene de una forma sencilla, como se muestra
en la siguiente expresin:
= ( , " ( ,
"
"
, es llamado desfusificacin.
Existen varios mtodos para obtener el valor puntual ms representativo del conjunto
difuso de salida
$ =
$ =
"
$ dada
Si se
"
De esta forma, la expresin para el valor puntual $ segn el mtodo del Centro de
rea, esta dada por:
$" =
=
=
El cuerpo celular en este modelo es emulado por una sumatoria, la cual acumula las
seales provenientes de las sinapsis; el cambio de estado de la neurona, inhibitorio a
excitatorio, es determinado por una funcin no lineal, denotada por G, llamada funcin de
activacin.
La salida de una neurona artificial, mostrada en la figura 2.16, viene dada por la
siguiente ecuacin matemtica:
$= .
.=
, +
=
Para simplificar las ecuaciones anteriores se usan expresiones vectoriales para los
pesos y las seales de entrada, quedando de la siguiente forma:
$= .
. =/ ! &
,
&=
/=
+
Los mtodos usados para fijar los pesos sinpticos, de manera que la salida de la red
sea la deseada, se denominan algoritmos de aprendizaje. Estos algoritmos de aprendizaje
constituyen la resolucin de problemas de optimizacin, ya que tienen como objetivo
encontrar los pesos que minimicen el error entre la salida deseada y la producida por la red
[12].
Aprendizaje Supervisado.
En este tipo de aprendizaje, la reduccin del error se hace gradualmente, para lo cual
se presenta un patrn de entrada y se calcula la diferencia entre la salida de la red y la salida
deseada; en base a esta diferencia y a los valores de los pesos sinpticos en el instante
anterior, se calculan los valores de los nuevos pesos que reduzcan el error. Este
procedimiento se aplica de la misma manera para cada uno de los patrones de
entrenamiento en forma secuencial.
Los modelos neo-difusos tienen como elemento principal a las neuronas difusas. La
estructura de la neurona difusa se muestra en la Figura 2.18. En sta, los pesos sinpticos
no son constantes sino funciones no lineales de las entradas, representadas por modelos
lgico-difusos basados en una coleccin de reglas de la forma Si - Entonces que usan un
razonamiento aproximado en el proceso de inferencia. Esta estructura no posee una funcin
de activacin, sino un punto de suma que genera la salida al agregar las salidas de los
modelos lgico - difusos para cada entrada [13].
igual a uno (1) para el valor / , y cero (0) para cualquier otro valor.
entrada activa solo dos reglas, tal como se observar mas adelante, lo cual indica que al
aplicar el proceso de inferencia en cada modelo difuso, los pesos constantes de cada
sinapsis que influyen en la salida son uno o dos, y estos son los que se deben modificar para
lograr la salida deseada. El ajuste de estos pesos se hace cada vez que se presenta un
patrn de entrenamiento, segn la ecuacin (2.22).
De esta manera, el aprendizaje para una neurona difusa consiste en modificar uno o
dos pesos de cada sinapsis, correspondiente a las reglas activadas ante una entrada
especfica, hasta lograr la salida deseada.
/ !+
! +
0 $ ,
$ ,
= $ $ ,
$=
, +
+ % ,% =
,
=
Para desarrollar un clasificador difuso basta, en muchos de los casos, utilizar alguna
de las funciones de similitud ya establecidas, tales como la funcin triangular o la
trapezoidal, es decir, no es necesario concebir una nueva funcin de pertenencia difusa. El
esfuerzo se enfoca entonces en conocer los datos de entrada, y con base en la experiencia
que se tenga, saber cul es la ms apropiada para clasificar.
Los
individuos
son
codificados
como
cadenas,
cromosomas,
1011010011 010111010100101
X1
X2
Una vez que a los individuos se les halla sido asignado una aptitud,
pueden ser seleccionados de la poblacin, con una probabilidad acorde a su
aptitud relativa, y recombinados o cruzados para producir la siguiente
generacin. Los operadores genticos manipulan los caracteres (genes) del
cromosoma directamente, utilizando la asuncin de que ciertos cdigos de
genes del individuo, en promedio, producen mejores individuos. El operador
de cruce es utilizado para intercambiar informacin gentica entre parejas, o
grupos ms grandes de individuos. El operador de cruce ms sencillo, es
como su nombre lo indica, el de cruce de punto sencillo. Consideremos dos
cadenas binarias de padres:
= 13 3 13 113, y
= 13 1113 3 3.
51 = 1 3 3 1 3 3 3 3 , y 52 = 1 3 1 1 1 1 1 3 .
% . La mutacin causa la
51% = 1 3 3 3 3 3 3 3 .
Captulo 3
MARCO METODOLOGICO
En este trabajo se propone un esquema de Supervisin Inteligente a nivel de cabezal
de pozo, con capacidad de medir, controlar e identificar el proceso de Levantamiento
Artificial por Gas (LAG) en sus respectivos estados operacionales, partiendo de la
estimacin de su propia produccin, de sus presiones de fondo, y de la deteccin de
escenarios operacionales que puedan impactar en su desempeo como pozo productor de
petrleo. De esta manera, se le dota al pozo con capacidades de auto-diagnosticacin
(supervisa el comportamiento de su infraestructura subsuelo/superficie, vigila la inyeccin de
gas, entre otras cosas).
el
proceso
LAG,
en
sus
Proceso
M todo LAG
Control
Perturbaci n
Instrumentaci n
Modelo
Producci n
del Pozo
Identificaci n
Escenarios
Operacionales
Optimizaci n
).
la
produccin del pozo a travs de tcnicas basadas en Balance de Masa y Energa. Para tal
fin, se utiliza el Mtodo denominado Anlisis Nodal [10,29]. Este mtodo se basa en la
perdida de energa a lo largo del sistema de produccin debido a las caractersticas de los
fluidos producidos, las cuales se cuantifican a travs de un balance de energa entre la
capacidad de aporte del yacimiento y su transporte hasta la superficie del pozo. De esta
manera, se debe describir el sistema de produccin haciendo nfasis en el balance de
energa requerido entre el yacimiento y la infraestructura instalada (vlvulas, tubera de
produccin, entre otros), para as poder establecer la capacidad de produccin real del pozo.
Esto se hace usando las variables de yacimiento, de produccin, y la curva de gradiente de
presin correspondiente a sus condiciones reales de produccin [10].
entrada y salida del nodo. Estas relaciones presin y tasa de produccin se denominan
Curva Oferta de energa del yacimiento, aguas abajo del nodo, y Curva Demanda de
energa de la instalacin en superficie, aguas arriba del nodo. Finalmente, a diferentes
intersecciones de dichas curvas se obtienen los caudales de produccin de crudo y gas del
pozo a modelar, como se describe en el capitulo 2, seccin 2.3, Figura 2.10.
que determina la capacidad de aporte del yacimiento petrolfero. Esta ecuacin representa
una foto instantnea de la capacidad de aporte del yacimiento hacia el pozo, en un momento
dado de su vida productividad.
Es normal que dicha capacidad disminuya a travs del tiempo, por reduccin de la
permeabilidad en las cercanas del pozo, y por el aumento de la viscosidad del crudo a
medida que se vaporizan sus fracciones livianas. Esta ecuacin se considera, en lo
sucesivo, como la curva de oferta de energa, o afluencia de fluidos, que el yacimiento
entrega al pozo (
"
).
"
Donde,
# "
Donde:
gas a la
"
Donde:
"
"
"
"
"
Esta
fase
determina
el
escenario
operacional
del
pozo
por
produccin, requiriendo
Para disear el sistema clasificador difuso (ver seccin 2.7), hay que determinar el
conjunto de variables difusas y las reglas que permitirn hacer el anlisis de los pozos LAG.
Las variables difusas son: Presin del Revestidor, Presin de Fondo, y Escenario
Operacional. La tabla 3.1 indica las variables de entrada (antecedente) y salida
(consecuente) de las reglas, y sus conjuntos difusos.
Tipo de Variable
Variables Difusas
Conjunto Difuso
Variables de Entrada
Presin de Fondo
Escenario Operacional
SubInyectado,
Variable de Salida
SobreInyectado
Normal,
Seguidamente, se describen las reglas del clasificador difuso para identificar los
escenarios operacionales:
(psi)
(psi)
Bajo
Medio
Alto
Bajo
Normal
Normal
SubInyectado
Medio
Normal
Normal
SubInyectado
Alto
SobreInyectado
Normal
SubInyectado
(psi)
(psi)
Bajo
1000-1120
0-300
Medio
1100-1220
200-630
Alto
1190-1320
410-1100
1
0.9
0.8
0.7
M
e
m
b
re
s
a
Bajo
Medio
Alto
0.6
0.5
0.4
0.3
0.2
0.1
0
200
400
600
Presin de Fondo
800
1000
1200
1
0.9
0.8
0.7
M
e
m
b
re
sa
Bajo
Medio
Alto
0.6
0.5
0.4
0.3
0.2
0.1
0
1000
1050
1100
1150
1200
Presin del Revestidor
1250
1300
1350
Escenario Operacional
SubInyectado
400-600
Normal
550-700
SobreInyectado
650-900
1
0.9
0.8
0.7
M
em
bresa
Bajo
Medio
Alto
0.6
0.5
0.4
0.3
0.2
0.1
0
400
450
500
550
600
650
700
Gas de Levantamiento
750
800
850
900
" y
Cabezal del
Pozo
Nodo en la
V$lvula
Yacimiento
"7
"
=
"
%
%
" &
## 7
"
"
"
El
"
est
"
definido
en
funcin
del
" &
## 7
el
Donde:
"7
Bs/bl,
## 7 = Costo de Produccin,
" &
"
= En Bs/Mpcn,
del
escenario
operacional
identificado,
los
cuales
estn
Escenario
Operacional
Subinyeccin
235
291
681
410
1100
Normal
244
682
793
200
630
Sobreinyeccin
250
764
818
300
Capitulo 4
RESULTADOS Y DISCUSIN
La Identificacin del modelo matemtico del pozo por LAG constituye un paso de
relevancia para la operacin del sistema de supervisin. Para propsitos de la construccin
del modelo matemtico del pozo LAG, como se indico en el capitulo anterior, se asume el
nodo en la vlvula de inyeccin de gas, con el fin de determinar la capacidad de produccin
del sistema de levantamiento. En tal sentido, el balance de energa estar expresado por:
"
"
2400
185,76
150
1093,65419
2400
205,55
150
871,460627
2400
214,149
150
760,504031
2400
221,87
150
649,896837
2400
228,73
150
539,485557
2400
234,72
150
429,536839
2400
239,84
150
320,296703
2400
244,09
150
212,218703
2400
247,48
150
105,876829
2400
250
150
3,57865538
Indice de Productividad
1200
1000
800
600
400
200
0
170
180
190
200
210
220
230
240
250
260
Tasa de Pr oduccin( b/ d)
es
"
corresponde a
"
0,8
171,7166595
1093,65419
590,578638
0,8
174,1264038
871,460627
680,824482
0,8
178,8296814
760,504031
723,15864
0,8
174,7612
649,896837
759,345094
0,8
172,4671783
539,485557
793,645895
0,8
173,7640991
429,536839
828,213686
0,8
179,7115936
320,296703
862,520302
0,8
173,266037
212,218703
891,598521
0,8
179,4732513
105,876829
922,199655
0,8
174,9428406
3,57865538
948,365499
0,8
174,9428406
2,02
948,776289
0,8
170
1,01
945,629434
C ur v a "D e m a nd a "
1200
1000
800
600
400
200
0
500
550
600
650
700
750
800
850
900
950
1000
-200
T a s a d e I n y e c c i n ( m p c n d g )
produccin de crudo y gas del pozo a partir de los cuales se hace el balance de energa (se
determinan ambas presiones a partir de ambas curvas (ver figura 4.3)). Es decir, es donde
para una dado
).
1000
800
600
Oferta
400
Demanda
200
0
10
93
87 ,65
1, 42
4
76 60
0, 63
5
64 04
9, 03
8
53 96
9, 84
4
42 85
9, 56
53
32 68
0, 4
2
21 96
2, 7
10 2 1
5, 87
8
3, 76
57 83
86
55
4
Tasa Produccin e
Inyeccion Gas
Presin de Fondo
Con el valor de (
), usando la ecuacin
(3.4) (ver figura 4.4 y tabla 4.3). En tal sentido, el modelo terico sigue la dinmica habitual de los
pozos LAG: a medida que se inyecta gas a la tubera del pozo suben los fluidos del yacimiento
desde el fondo del pozo hasta la superficie, disminuyndose la diferencia de presiones entre el
fondo y la superficie del pozo, hasta lograr la mxima capacidad de produccin del yacimiento.
% #
590,578638
185,76
680,824482
205,55
723,15864
214,149
759,345094
221,87
793,645895
228,73
828,213686
234,72
862,520302
239,84
891,598521
244,09
922,199655
247,48
948,365499
250
948,776289
250,032775
945,629434
250,074583
Curva de Produccin
300
Tasa de
Produccin (b/d)
250
200
150
100
50
0
550
650
750
850
950
1050
Nuestro modelo (ecuacin 3.4) es validado con los datos de un pozo real con caractersticas
de produccin similares al modelado en la primera fase. As, se utiliz un pozo productor con las
siguientes caractersticas: fluye sin reductor hacia la Estacin de Flujo ubicada a 5360,89 ft, recibe
gas del Mltiple de Gas ubicado a 508,530 ft, y las propiedades fsicas del fluido estn dadas en la
tabla 4.4.
PVT
Gravedad Crudo (API)
25
1321
2400
3489
La completacin del pozo productor vertical de 3489 ft de profundidad est compuesta por
dos vlvulas de inyeccin y dimetro interno de 2,43 pulg, tal como lo describe la Tabla 4.5.
Pozo
Profundidad (ft)
Temperatura (F)
Tubera
3266,00
200,00
2,43
Vlvula
1745,00
200,00
2,43
Cabezal
0,00
90,00
0,00
Curvas de Produccin
260
240
220
200
180
160
140
120
100
450
550
650
750
850
950
1050
Terico
(2400 psi)
Terica
(2400 psi)
590,57
185,76
8638
205,55
4482
625,61
864
214,14
9
221,87
793,64
228,73
5094
05554
828,21
234,72
3686
39551
862,52
239,84
891,59
244,09
922,19
247,48
0302
87366
8521
17651
9655
58521
948,36
250
5499
29456
948,77
250,03
2775
05481
183,65
33264
602,11
29456
205,74
26071
89417
58521
78714
185,60
600,43
204,51
607,78
90688
17651
33264
186,94
606,87
203,65
602,11
81773
87366
89417
183,88
601,04
205,60
600,43
2115
39551
90688
180,83
598,80
206,94
606,87
77846
05554
81773
183,56
583,85
203,88
601,04
20149
21887
2115
184,73
598,21
200,83
598,80
50062
09326
77846
190,21
605,08
203,56
583,85
89467
9873
20149
180,79
625,61
204,73
598,21
21887
5895
210,21
605,08
(Evaluada a
nivel de la
estacin)
579,53
9978
50062
09326
759,34
(Evaluada a
nivel de la
estacin)
200,79
89467
9873
723,15
Real
(2400 psi)
579,53
9978
680,82
6289
Real
(2400 psi)
184,51
78714
607,78
05481
185,74
26071
La curva con los datos reales comparada con la curva calculada con la ecuacin 3.4 a nivel
de estacin, para el rango operacional de 579 a 607 mpcndg, presenta un diferencial de
produccin del orden 20 bnpd. Por otro lado, la curva obtenida por el balance de energa (tabla 4.3
y figura 4.4) se mueve en un rango operacional diferente, por consiguiente sus valores son
diferentes. Ahora bien, los resultados obtenidos con nuestra propuesta de modelado de pozos LAG
(ecuacin 3.4) se aproximan, con una tolerancia aceptable, al modelo del comportamiento real del
pozo (ver tabla 4.6).
Curvas de Produccin
260
240
220
Curva Terica a 2400 psi
200
180
160
140
120
100
450
550
650
750
850
950
1050
de yacimiento.
El modelo calculado con las ecuaciones antes indicadas es especfico para cada pozo LAG,
un nuevo pozo LAG requiere seguir un procedimiento similar al indicado aqu para determinar su
curva de comportamiento de produccin.
En la tabla 4.7 se muestran las variables Entradas/Salida, con sus respectivos estados
operacional, correspondientes a los diferentes escenarios identificados a travs del modelo de
tomados para cada escenario operacional, a partir de las tablas del Anexo B.
Presin del
Revestidor
(Psi)
Presin de
Fondo
(Psi)
Tasa Inyeccin de
Gas(mpcndg)
Escenario Operacional
1020
10
766,57
Normal
1190
200
754
Normal
1250
100
806
SobreInyectado
1090
420
640
Normal
1130
270
710
Normal
1320
630
648
SubInyectado
1190
1050
308
SubInyectado
1120
620
540
SubInyectado
Los resultados obtenidos por el Sistema Clasificador Difusos son mostrados en la tabla 4.8 y
en las figuras 4.7 al 4.12. Se valid tomando los valores:
= 10 psi y
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
400
450
500
550
600
650
700
750
800
850
900
= 200 psi y
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
400
450
500
550
600
650
700
750
800
850
900
= 100 psi y
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
400
450
500
550
600
650
700
750
800
850
900
= 420 psi y
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
400
450
500
550
600
650
700
750
800
850
900
= 270 psi y
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
400
450
500
550
600
650
700
750
800
850
900
= 630 psi y
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
400
450
500
550
600
650
700
750
800
850
900
= 620 psi y
0.9
0.8
Membresa
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
400
450
500
550
600
650
700
750
Gas de Levantamiento
800
850
900
Tabla 4.8. Resultados dados por el SCD, comparados con el dado por el
modelo terico (Ecuacin 3.4)
(Modelo Terico)
( Sist.Difuso)
(Ver figuras 4.7 a
4.13)
Escenario
Operacional
766,57
766,66
Normal
754
766,66
Normal
806
799,66
SobreInyectado
640
633,33
Normal
710
728,88
Normal
648
500
SubInyectado
508
500
SubInyectado
540
536,51
SubInyectado
"
inyectado (
"
(que llamaremos
"
medida. Finalmente,
"
"
"
) y la
indica
1
1:
9
8
<
"
2:
9:
<: "
;
8
Figura 4.14. Esquema Neuro Difuso para la Estimacin Presin de Superficie (ND1) y
Presin de Fondo (ND2)
Para la implantacin se presentan los registros de las variables de fondo y superficie, los
cuales conformarn el patrn a ser usado en el entrenamiento de las neuronas difusas. En la
Figura 4.15 se presenta el perfil de presin de tubera de produccin (
"
) y en la Figura 4.16 se
P r e si n T u b e r a de P r o du c c i n
Presin (Psi)
180
175
170
165
160
155
150
1 38 75 112 149 186 223 260 297 334 371 408 445 482 519 556 593 630 667
tiem po(s)
Presin (Psi)
800
600
400
200
0
1
434 867 1300 1733 2166 2599 3032 3465 3898 4331 4764 5197 5630
tiem po (s)
El primer paso realizado fue el muestreo de las variables de entrada y de salida en un mismo
instante de tiempo, para conformar el patrn a ser usado en el entrenamiento de las neuronas
difusas. Posteriormente se definieron los conjuntos difusos de cada variable, a los cuales se les
asociaron funciones de membresa triangulares. Se modificaron los pesos de las redes neuronales
hasta lograr la salida deseada, variando tambin las particiones difusas (ver Anexo A). Finalmente,
el modelo fue validado con valores no usados durante el proceso de entrenamiento, (un 50% de los
patrones totales, ver tabla 4.9).
El
presentando los resultados mostrados en las figuras 4.17 y 4.18, qu corresponden a la estimacin
de las presiones de produccin y de fondo con el sistema neo-difuso.
Nmero de
Entradas
Nmero de
Salidas
Nmero
Patrones
Entrenamiento
ND2(
3250 (50%)
Nmero
Patrones
Evaluar
3250(50%)
Error
Cuadrtico
0,294%
"
0,400%
ND1(
"
350 (50%)
350 (50%)
0,771%
1,305%
Los errores promedio para los patrones de entrenamiento y de prueba obtenido para la
estimacin de la presin de fondo (
"
es menor a 5 psi
el modelo de la ecuacin (3.4) para determinar la curva de produccin del pozo, y compararla con
la curva de produccin real a nivel de la estacin de flujo. Esta forma alterna tiene sentido usar
cuando en la completacin (tubera de pozo mas arreglo mecnico) estn ausentes de equipos de
supervisin de fondo.
"
).
Nmero de individuos: 2,
"
operacional identificado
especficos
variables
en
la
%
fase
anterior (los
, segn el escenario
valores
para
las
garantizan eso, ya que se instancia segn el escenario operacional (ver tabla 3.5)). Eso
significa que la poblacin de individuos ser especfica al escenario operacional
identificado en la fase previa, para que el algoritmo gentico pueda determinar el valor
ptimo de la ecuacin (3.5) para ese escenario identificado a travs del clasificador difuso.
Para evaluar la ecuacin (3.5) se requieren usar las ecuaciones (3.3) y (3.4), al optimizar
(3.5) tambin se esta determinando el valor optimo de produccin e inyeccin en el
escenario operacional presente.
"
)y(
de esa tabla, cuya funcin de aptitud (objetivo) es el valor de ganancia de esa fila). Los valores
ptimos de ese escenario operacional, de las variables Presin Tubera de Produccin (
Presin del Revestidor (
"
)y
% #
"
(ec. 3.3)
(ec. 3.4)
( #
(ec. 3.5)
170
1022
596,6
232,06759
29794346
170,4
1109,8
619,1
230,21408
29544303
172,5
1226,3
689,1
233,71651
29959487
Captulo V
CONCLUSIONES y RECOMENDACIONES
El principal resultado obtenido en este trabajo muestra que las fases propuesta en el esquema de
Supervisin Inteligente compuesto por la generacin del modelo del pozo, utilizando tcnicas de
Balance de Masa y Energa; la identificacin del Escenario Operacional, usando tcnicas neodifusas; y la fase de optimizacin del proceso productivo para el escenario identificado, usando
tcnicas evolutivas, basado en restricciones de proceso y costo operacional de produccin,
garantizan al pozo auto-diagnosticacin (supervisa el comportamiento de su infraestructura
subsuelo/superficie, vigila la inyeccin de gas, entre otras cosas) partiendo de la estimacin de su
propia produccin, de sus presiones de fondo y superficie, y de la deteccin de escenarios
operacionales, todo esto a una menor tasa de inyeccin, generando un mayor nivel de produccin
a un menor costo econmico.
El Modelo de Produccin obtenido utilizando la Caracterizacin del Procesos LAG y Anlisis Nodal,
permite determinar la tasa de produccin que puede producir el pozo. Resultados similares son
obtenidos con aplicaciones comerciales [33], que paras las industrias petroleras actan como
cajas negras, se desconocen las tcnicas de modelado e identificacin de procesos empleadas
como los modelos matemticos utilizados. En nuestro caso dicho modelo se puede utilizar en el
pozo y no en ambiente de oficina. Los resultados obtenidos constituyen primeros pasos para la
construccin de mecanismos de observacin, recoleccin de datos y su interpretacin a nivel del
cabezal del pozo, con el objetivo de dotar de inteligencia al proceso de produccin, mediante el
auto-diagnostico y la auto-configuracin en sitio.
El sistema clasificador propuesto basado en las variables de yacimiento (la presin de fondo), a
nivel de cabezal (la presin del revestidor) y el flujo de gas de levantamiento, garantiz la
obtencin del escenario operacional, ya que estn relacionado con la caracterizacin del pozo a
nivel de fondo y superficie (modelo de produccin), como tambin por el bajo costo requerido para
su elaboracin.
La posibilidad de estimar variables de fondo permite mejorar el proceso de produccin, ya que los
costos de instalacin y mantenimiento de tecnologa de fondo son muy elevados, resultando no ser
rentable en la produccin del pozo. La utilizacin de tcnicas de inteligencia artificial basadas en un
Sistema Neo Difuso permiti estimar variables de fondo y superficie, con errores menores a un
1%, lo cual indica la efectividad de dicho sistema. Por otra parte el sistema neodifuso, se utilizara
como una alternativa para la determinacin de la variable de entrada del sistema clasificador.
Se optimiz la produccin del mtodo LAG, en funcin de la informacin integrada subsuelo y
superficie, lo que permiti aumentar el factor de recobro de la formacin, minimizar costo y
garantizar la mejor distribucin del gas para inyectar, maximizando la produccin de crudo, esto es
debido a que la funcin objetivo
Se recomienda el uso de este sistema de supervisin inteligente para pozos por LAG, usando
tcnicas de computacin inteligente, ya que permite la efectiva distribucin del gas, la toma de
decisin de manera confiable y oportuna mejorando los tiempos de respuesta y evitando perdida
de produccin en sus respectivos estados operacionales.
Se recomienda, utilizar el Sistema Neu-Difuso con el objetivo de estimar perfiles de presin desde
el fondo (
"
Referencias
[1] Palma, J., Roque, M: Inteligencia Artificial: Tcnica, Mtodos y Aplicaciones McGraw
Hill, Espaa (2008).
[2] Kalyanmoy, D: Multi-Objective Optimization using Evolutionary Algorithms. Wiley,
USA, (2009).
[3] Gen, M., Cheng, R., Lin, L: Network Models and Optimization: Multiobjective Genetic
Algorithm Approach. Springer, London, (2008).
[4] Robles O, Romn, R., Un Modelo de Programacin No Lineal para la Planeacin de la
Produccin de Gas y Petrleo. Paper SPE 112186 preseted at the 2008 Intelligent Energy
Conference, Amsterdan, Netherlands.
[5] Steinar, E., Olav, S., Tor, J., Production Optimization: System Identification and
Uncertainty Estimation. Informacin Tecnolgica, Vol.19, N 3, Mxico, 2008.
[6] Miguel H. Schindler, DeltaP. Dynamic Nodal Analysis in Well Testing Interpretation.
Latin American & Caribbean Petroleum Engineering Conference, 15-18 April 2007,
Buenos Aires, Argentina. SPE 107239-MS.
[7] Going, W.S, Thigpen, P.M, Anderson A.B. Intelligente Well Technology: Are We Ready
for Closed Loop Control. SPE 99834. 2006.
[8] Odair G. Santos, Sergio N. Bordalo, Francisco J.S. Alhanati: Study of the dynamics,
optimization and selection of intermittent gas-lift methodsa comprehensive model,
Journal of Petroleum Science and Engineering 32 (2001) 231 248.
[9] Shahaboddin Ayatollahia, Mostafa Narimania, Mahmood Moshfeghian.: Intermittent
gas lift in Aghajari oil field, a mathematical study Journal of Petroleum Science and
Engineering 42 (2004) 245 255.
[10] Beggs Dale H.: Production Optimization, Using NODALTM Analysis 2a edicion, Oil
& Gas Consultants International, Tulsal.2003.
[11] P. Sarma, L.J. Durlofsky and K. Aziz.: Efficient Closed-loop Production Optimization
Under Uncertainty Stanford U. SPE 94241. 2005.
[12] Ricardo Valverde. Control de Sistemas mediante Redes Neuronales Aprendizaje por
Refuerzo. PhD thesis, Universidad Carlos III de Madrid, Departamento de Ingeniera
Elctrica, Electrnica y Automtica, 2000.
[13] Takeshi Yamakawa. A neo Fuzzy Neuron and Its Applications to System Identification
and Prediction of Chaotic Behavior. IEEE, 1994.
[14] Popa A., Ramos R., Cover A., Integration of Artficial Intelligence and Lean Sigma for
Large-Field Production Optimization: Application to Kern River Field, Paper SPE 97247,
2005.
Apndice A
APLICACIN DEL SISTEMA NEURO
DIFUSO
A.1 PROCESO DE ENTRENAMIENTO INICIAL PARA ND1
Tomando tres valores difusos para las variables de entrada y, al inicializar los
pesos con valores aleatorios, la neurona difusa tiene la estructura mostrada en la
(Figura A1).
, denotados por
= 1705,88806 en
, se
hace como se muestra en la figura A.2. Estos grados de membresa tienen los
siguientes valores:
= 0.608,
= 0.392,
= 0.
= 9,57197762 y
= 0.2145,
= 0.785,
= 0,
= 0,5,
= 0.5 y
= 0.
Una vez obtenidos los valores de los grados de membreca, las sinapsis para
las entradas estn dadas por:
(
"
= 0.10296+0.0356+0.14=0.278
!+
! $ $
Apndice B
IDENTIFICACION
DE
ESCENARIOS
OPERACIONALES
Tabla B.1. Valores para un Escenario Operacional Normal, con una Presin
Revestidor
Pg,inj(psi)
1000
1010
1020
1030
1040
1050
1060
1070
1080
1090
1100
1110
1120
Qinj(mpcndg)
758,287544
761,577311
761,577311
761,577311
758,287544
741,619849
738,241153
731,436942
724,568837
721,110255
715,891053
710,63352
696,419414
Presin
Fondo(psi)
0
0
10
20
40
100
120
150
180
200
225
250
300
Qprod(bpd)
250,075
250,075
249,8631944
249,6444444
249,1861111
247,6444444
247,075
246,16875
245,2
244,5194444
243,6296875
242,6965278
240,7
de
Escenario Normal
Tasa de
Produccin(b/d)
252
250
248
246
244
242
240
680
700
720
740
760
780
Tabla B.2. Valores para un Escenario Operacional Normal, con una Presin
Revestidor Media y Presin de Fondo Baja
Pg,inj(psi)
1100
1110
1120
1130
1140
1150
1160
1170
1180
1190
1200
1210
1220
Qinj(mpcndg)
790,569415
793,725393
793,725393
793,725393
790,569415
774,596669
771,362431
764,852927
758,287544
754,983444
750
744,983221
731,436942
Presin
Fondo(psi)
0
0
10
20
40
100
120
150
180
200
225
250
300
Qprod(bpd)
250,075
250,075
249,8631944
249,6444444
249,1861111
247,6444444
247,075
246,16875
245,2
244,5194444
243,6296875
242,6965278
240,7
de
Tasa de Produccin
(b/d)
Escenario Normal
252
250
248
246
244
242
240
720
740
760
780
800
Qinj(mpcnd)
818,535277
821,583836
821,583836
824,621125
821,583836
806,225775
803,11892
796,868873
790,569415
787,400787
782,623792
777,817459
764,852927
Presin
Fondo(psi)
0
0
10
20
40
100
120
150
180
200
225
250
300
Qprod(bpd)
250,075
250,075
249,8631944
249,6444444
249,1861111
247,6444444
247,075
246,16875
245,2
244,5194444
243,6296875
242,6965278
240,7
de
Escenario SobreInyectado
252
250
248
246
244
242
240
760
780
800
820
840
Tabla B.4. Valores para un Escenario Operacional Normal, con una Presin
Revestidor Baja y Presin de Fondo Media
Pg,inj(Bajo,psi)
1000
1010
1020
1030
1040
1050
1060
1070
1080
1090
1100
1110
1120
Qinj(mpcndg)
689,202438
678,232998
674,536878
674,536878
674,536878
663,324958
659,545298
655,743852
651,920241
640,312424
628,490254
595,818764
565,685425
Presin
Fondo(Medio,psi)
200
240
260
270
280
320
340
360
380
420
460
550
630
Qprod(bpd)
244,5194444
243,075
242,3111111
241,91875
241,5194444
239,8527778
238,9777778
238,075
237,1444444
235,2
233,1444444
228,1131944
223,16875
Escenario Normal
250
245
240
235
230
225
220
500
550
600
650
700
de
Qinj
724,568837
714,142843
710,63352
710,63352
710,63352
700
696,419414
692,820323
689,202438
678,232998
667,083203
636,396103
608,276253
Presin
Fondo(Media)
200
240
260
270
280
320
340
360
380
420
460
550
630
Qprod
244,5194444
243,075
242,3111111
241,91875
241,5194444
239,8527778
238,9777778
238,075
237,1444444
235,2
233,1444444
228,1131944
223,16875
Escenario Normal
250
245
240
235
230
225
220
600
650
700
750
de
Pg,inj(Alto,psi)
1190
1200
1210
1230
1240
1250
1260
1270
1280
1290
1300
1310
1320
Qinj(mpcndg)
754,983444
744,983221
741,619849
744,983221
744,983221
734,846923
731,436942
728,010989
724,568837
714,142843
703,562364
674,536878
648,07407
Presin
de
Fondo(Medio,psi)
200
240
260
270
280
320
340
360
380
420
460
550
630
Qprod(bpd)
244,5194444
243,075
242,3111111
241,91875
241,5194444
239,8527778
238,9777778
238,075
237,1444444
235,2
233,1444444
228,1131944
223,16875
Escenario Normal
250
245
240
235
230
225
220
640
660
680
700
720
740
760
780
Qinj(mpcndg)
608,276253
565,685425
524,404424
463,680925
441,588043
418,330013
393,700394
360,555128
331,662479
308,2207
291,547595
282,842712
291,547595
Qprod(bpd)
235,6965278
229,8527778
223,8111111
214,91875
211,1861111
207,2798611
203,2
198,075
193,6131944
189,91875
187,075
185,1444444
185,1444444
Presin
de
Fondo (Alto,psi)
410
520
620
750
800
850
900
960
1010
1050
1080
1100
1100
Escenario SubInyectado
240
230
220
210
200
190
180
170
250
350
450
550
650
Pg,inj(Medio,psi)
1100
1110
1120
1130
1140
1150
1160
1170
1180
1190
1200
1210
1220
Qinj(mpcndg)
648,07407
608,276253
570,087713
514,781507
494,974747
474,341649
452,769257
424,264069
400
380,788655
367,423461
360,555128
367,423461
Presin
de
Fondo (Alto,psi)
410
520
620
750
800
850
900
960
1010
1050
1080
1100
1100
Qprod(bpd)
235,6965278
229,8527778
223,8111111
214,91875
211,1861111
207,2798611
203,2
198,075
193,6131944
189,91875
187,075
185,1444444
185,1444444
Escenario SubInyectado
240
230
220
210
200
190
180
170
350
450
550
650
750
Tasa de Produccin
(BNPD)
Escenario SubInyectado
240
230
220
210
200
190
180
170
350
450
550
650
750
Qinj(mpcndg)
681,909085
644,204936
608,276253
561,248608
543,139025
524,404424
504,975247
479,583152
458,257569
441,588043
430,116263
424,264069
430,116263
Qprod(bpd)
235,6965278
229,8527778
223,8111111
214,91875
211,1861111
207,2798611
203,2
198,075
193,6131944
189,91875
187,075
185,1444444
185,1444444
Presin de Fondo
(Alto,psi)
410
520
620
750
800
850
900
960
1010
1050
1080
1100
1100