Un breve ensayo sobre las redes neuronales y su aplicación el el área de la Ingeniería de Yacimientos.

1. REPUBLICA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA EDUCACION SUPERIOR
I.U.P “SANTIAGO MARIÑO”
MARACAIBO - ZULIA
MARACAIBO, JULIO DE 2020
AUTOR: MANUEL JIMENEZ
C.I: 27.180.096
CARRERA: ING. DE SISTEMAS #47
CATEDRA: INTELIGENCIA ARTIFICIAL
SECCION: SAIA
TUTOR: ING. JOSÉ GUZMÁN
Aplicación Redes Neuronales: Estudios
de Yacimientos de Petróleo

2. ANTECEDENTES
En ingeniería se presentan problemas de gran complejidad, los cuales requieren de
un manejo matemático dispendioso y que en muchos casos no se obtienen los mejores
resultados, usando los métodos tradicionales. Además se ha demostrado, algunas
veces, que la aplicación de nuevas tecnologías permite optimizar los procesos
industriales. Las herramientas en base a redes neuronales, han sido utilizadas con
anterioridad, más específicamente, en dos aplicaciones de la ingeniería de yacimientos
que se mostraran a continuación.
En la primera aplicación se utilizó la herramienta como una solución alternativa al
cálculo del comportamiento de los índices de desplazamiento, (índice de
desplazamiento por depleción, IDD; índice de desplazamiento por segregación, IDS; e
índice de desplazamiento hidrostático, IDH), cuando no se tienen los datos suficientes
del yacimiento, para aplicar la ecuación de balance de materia, EBM.
La segunda aplicación, se ha hecho en el área de registros de pozos, para obtener
una correlación directa entre el registro de rayos gamma (GR) y la curva del potencial
espontáneo (SP), cuando las condiciones de algunos pozos son tales que, no se puede
obtener la curva del SP (por ejemplo, cuando se perfora con fluidos no conductivos o
con aire), o cuando la curva SP no ofrece resultados definitivos, casos en los cuales se
corre una curva de rayos gamma.

3. RED NEURONAL ARTIFICIAL
Una red neuronal artificial se trata de una implementación de un sistema de
procesamiento de datos paralelos conectados entre sí en forma de grafo dirigido, que
simula funciones elementales, como lo hace la red nerviosa del cerebro humano,
siendo capaz de identificar la información relevante sobre una gran cantidad de datos.
Así mismo, se conoce que se encuentra conformada por diferentes capas: la capa de
entrada, encargada de recibir la información del exterior; la capa intermedia, que
puede ser una o más de una, la cual procesa la información, y la capa de salida, que
proporciona el resultado del trabajo de la red neuronal.
La arquitectura de la red neuronal
describe el número de capas, las
funciones de transferencia
(transferencia de información de una
neurona a otra) en cada una de las
capas, el número de neuronas por
capa y las conexiones entre ellas.
Estas conexiones establecen una
estructura jerárquica que tratando de
emular la fisiología del cerebro busca
nuevos modelos de procesamiento
para solucionar problemas concretos
del mundo real.

4. El entrenamiento de una red neuronal se conoce como el proceso por el cual se
produce un ajuste de los parámetros internos de la red (capas ocultas y sus pesos) a
partir de un proceso de estimulación con los datos (patrones) del problema. Los
algoritmos de entrenamiento se basan usualmente en métodos numéricos iterativos
que tratan de minimizar el error absoluto.
Cada nodo individual es un modelo que relaciona un número de inputs hacia
un output. De igual manera, cada nodo se trata como una neurona y a interconexión
de un innúmero de estas se le denomina red. Las RNA pueden aprender a
representar unos datos, con algún tipo de relación funcional entre las variables,
para, para adquiere un grado de ajuste con un número suficiente de nodos y
capas ocultas.

5. APLICACIÓN DE LAS REDES NEURONALES
Teniendo en cuenta que las redes neuronales han mostrado ser una alternativa eficiente en la
solución de problemas donde es necesario correlacionar parámetros, la industria de los
hidrocarburos las ha utilizado en diferentes áreas. En 1994, se presentó un panorama general de las
aplicaciones directas de las redes neuronales a la industria del petróleo. Posteriormente, se hace un
recuento de las aplicaciones de las redes neuronales, basado en la capacidad que tienen para
resolver problemas, combinadas con herramientas convencionales, tales como el análisis
estadístico. En un estudio posterior, se profundizó en la utilización de las redes neuronales en el
campo de la caracterización de propiedades del yacimiento, elaborando algoritmos para analizar los
registros eléctricos de pozos, para estimar con mayor exactitud las propiedades de los fluidos y la
columna estratigráfica de los pozos.
Observando las aplicaciones que se han dado a las redes neuronales en la industria del petróleo,
y los resultados obtenidos, se propone en este trabajo, la solución alternativa a dos problemas
diferentes encontrados en la ingeniería de yacimientos, a partir de una herramienta software, que
permite generar y entrenar redes neuronales para su posterior utilización en la cuenca oriental del
país, la menos explotada de las regiones petrolíferas de Venezuela, que comprende los estados
Guárico, Monagas, Anzoátegui, el norte de Delta Amacuro y ciertas zonas de Cojedes.
La primera aplicación se hace en los yacimientos de aceite saturado, en los cuales el estudio de
los mecanismos de desplazamientos se realiza usando los índices de desplazamiento que miden el
aporte de cada mecanismo de empuje a la energía del yacimiento. Estos índices se calculan por
medio de una manipulación matemática de la ecuación de balance de materia EBM. Esta ecuación
requiere de una gran cantidad de datos que con frecuencia no están disponibles en las historias de
producción, lo que hace de este cálculo una tarea costosa. La herramienta de red neuronal permite
ser una solución alternativa a este problema utilizando menor número de variables que las utilizadas
en la ecuación de balance de materiales.

6. Por otro lado, la segunda aplicación se utilizó con
registro eléctricos, teniendo en cuenta que algunos
campos venezolanos, presentan inconvenientes para
determinar topes de arena, debido a que el tipo de lodo
utilizado en los pozos no permite correr el registro de
potencial espontáneo (SP) y algunos pozos cuentan
solamente con el registro de rayos gamma (GR). La
herramienta de red neuronal, presenta una solución
alternativa para encontrar la curva del registro SP, a
partir del registro GR. Esto permite calcular
posteriormente topes de arena, espesores, y otras
características del yacimiento.
Este algoritmo consiste en un aprendizaje de un
conjunto de entradas y salidas dados como ejemplo,
empleando un ciclo de propagación-adaptación del error
generado, de la diferencia entre la respuesta calculada
por la red y la respuesta real. Este proceso se repite
hasta alcanzar un error aceptable entre las respuestas.
Como se puedo observar, los resultados obtenidos en
las dos aplicaciones demuestran que el software, se
convierte en una herramienta alternativa viable, que
permite dar solución a algunos de los problemas que a
menudo se presentan en la ingeniería de yacimientos por
falta de datos, lo cual no permite utilizar los métodos
tradicionales de cálculo.
Índices de Empuje calculados con la EBM
Resultados obtenidos con la EBM

7. Para la identificación de topes de formación y su posterior correlación dentro de un
campo, es necesario tener el mismo registro en cada uno de los pozos de dicho campo,
ya sea rayos gamma o la curva del potencial espontáneo, acompañado de un estudio de
por lo menos un núcleo de cualquiera de los pozos a correlacionar. En un campo en la
Cuenca de Oriente se pretendió hacer la correlación de los topes de formación con
base en un núcleo extraído de un pozo perforado con lodo base aceite. Debido al tipo
de lodo no fue posible correr el registro de potencial espontáneo (SP), y en su defecto
se corrió el registro de rayos gamma (GR). El problema radica en que la mayoría de los
pozos del campo poseen la curva de potencial espontáneo pero no tienen el registro
GR, por lo que, no es posible correlacionar el pozo seleccionado con el resto de pozos
del campo. Como solución a este problema es posible hallar una relación directa entre
el registro GR y la curva de potencial espontáneo, gracias a la utilización de una red
neuronal artificial.
La IA a pesar de esto se puede intuir que la relación numérica entre estos registros
debe existir ya que, las propiedades de los componentes de la formación y su
respuesta a los impulsos de las herramientas de registros poseen formas similares y se
usan para determinar la litología dentro del pozo.
Curva de registro SP (real)
vs registro SP (artificial)

8. CONCLUSIONES
Esto demuestra que las redes neuronales tienen la capacidad para establecer
relaciones entre variables sin importar la complejidad de estas, sin introducir relaciones
matemáticas, ni ecuaciones. Por esto las redes neuronales se convierten en una
herramienta de gran potencial en la solución de problemas en la industria petrolera.
Así mismo, con lo anteriormente expuesto, se demuestra que se es posible elaborar
una aplicación que genera un registro SP artificial a partir de un registro de rayos
gamma, cuando no es posible obtener topes de formación con los datos existentes. Este
nuevo registro SP es útil en la identificación de topes de formación; sin embargo su
utilidad es mucho mas amplia, para hacer otros cálculos indispensables en el análisis
de los yacimientos de hidrocarburos.
Ya para finalizar, se ha de resaltar la importancia de la utilización de las redes
neuronales en la industria del petróleo, que a pesar de no ser un método indispensable
de localización e identificación de yacimientos, si constituye una alternativa de menor
coste económico, más fiable y efectivo. La misma brinda de una ventaja a la industria al
permitir el incremento de posibles yacimientos a explotar en un futuro.

9. BIBLIOGRAFIA CONSULTADA
» Del Brío B. Martín y Sanz Molina A. ”Redes Neuronales y Sistemas
Borrosos” . Ra-Ma Textos Universitarios. Madrid, España, 2008.
» Hilera J. y Martinez V. Redes Neuronales Arti…ciales, Fundamentos,
Modelos y Aplicaciones. Alfa omega. 2005
» Ali J.K. ” Neural Networks: A New Tool for the Petroleum Industry?” .
SPE 27561. 1994.

10. MUCHAS GRACIAS POR SU ATENCION