Desarrollo de un sistema de selección de un método óptimo de recuperación mejorada de petróleo basado en red neuronal evolutiva

Abstract

Los métodos de recuperación mejorada de petróleo (EOR) son procesos de recuperación de petróleo probados alrededor del mundo, los cuales permiten que campos maduros de petróleo rejuvenezcan y aumenten su producción a cantidades económicamente rentables. Varios países consideran a estos métodos como una opción atractiva para aumentar su seguridad de suministro energético debido al alto potencial de incremento de sus reservas de petróleo. La problemática de implementar en la práctica estos métodos de EOR radica en su complejidad, periodos largos de implementación, riesgo económico y altas inversiones. Esto origina que las empresas del sector interesados en estos métodos realicen un análisis de selección exhaustivo antes de emprender un proyecto de este tipo. En la presente tesis se desarrolla un sistema de selección optima de un método de EOR, el cual permite identificar el método de EOR de mayor probabilidad de éxito de implementación para un determinado campo maduro de petróleo. El sistema es desarrollado utilizando un modelo de red neuronal evolutiva y usando información de proyectos pasados de EOR exitosos alrededor del mundo. Más específicamente, en este trabajo se ha desarrollado un sistema confiable de fácil uso el cual permite identificar de un grupo de ocho métodos de EOR (Inyección de ASP, Inyección de CO2 inmiscible, Inyección de vapor, Inyección de CO2 miscible, Inyección de Nitrógeno, Inyección de polímero, Combustión in-situ, e Inyección de hidrocarburo miscible) un método óptimo de EOR, con una precisión del 93.9%. Para la identificación se usa siete parámetros de fluido y roca del reservorio (porosidad, saturación inicial de petróleo, profundidad, permeabilidad, gravedad °API, viscosidad y temperatura). El sistema desarrollado se diferencia de otros sistemas anteriores, en el hecho de que este contiene en su base de datos un mayor número de métodos de EOR comerciales, el cual lo convierte en un sistema con mayor rango de selección. En la construcción del sistema se ha usado una red neuronal evolutiva (RNE), la cual ha permitido que la arquitectura de red neuronal, base de la estructura del sistema, tenga un alto desempeño. Adicionalmente, se ha planteado una nueva metodología de selección de arquitecturas de red neuronal artificial (RNA) desde un espacio de RNAs. Esta metodología permite seleccionar una arquitectura de RNA de manera rápida y confiable, el cual reduce el tiempo de búsqueda y genera una estructura de RNA de alto desempeño. Como parte de la aplicación de la herramienta desarrollada, se ha identificado los métodos de EOR con mayor posibilidad de éxito de implementación en los campos maduros de petróleo del Lote 192 ubicado en la cuenca del Marañón, Perú. Los resultados obtenidos indican que los métodos de EOR a aplicar son en términos de probabilidad de éxito, 85% de hidrocarburo miscible, 12% de combustión in-situ y 3% de inyección de nitrógeno.

Enhanced oil recovery (EOR) methods are proven oil recovery processes around the world, which allow mature oil fields to rejuvenate and increase their production to economically profitable quantities. Several countries consider these methods as an attractive option to increase their security of energy supply due to the high potential of increasing their oil reserves. The problem of implementing these EOR methods in practice lies in their complexity, long implementation periods, economic risk and high investments. This causes that the companies of the sector interested in these methods carry out an exhaustive selection analysis before undertaking a project of this type. In the present thesis, an optimal selection system of an EOR method is developed, which allows to identify the EOR method with the highest probability of implementation success for a determined mature oil field. The system is developed using an evolutionary neural network model and using information from successful past EOR projects around the world. More specifically, in this work an easy-to-use reliable system has been developed which allows the identification of a group of eight EOR methods (ASP Injection, Immiscible CO2 Injection, Vapor Injection, Miscible CO2 Injection, Nitrogen Injection, Polymer injection, in-situ combustion, and miscible hydrocarbon injection) an optimal EOR method, with an accuracy of 93.9%. For identification, seven reservoir fluid and rock parameters are used (porosity, initial oil saturation, depth, permeability, API gravity, viscosity and temperature). The developed system differs from other previous systems, in the fact that it contains in its database a greater number of commercial EOR methods, which makes it a system with a greater range of selection. In the construction of the system an evolutionary neural network (RNE) has been used, which has allowed the architecture of the neural network, the basis of the structure of the system, to have a high performance. Additionally, a new methodology for selecting artificial neural network (RNA) architectures from a space of ANNs has been proposed. This methodology allows to select an RNA architecture in a fast and reliable way, which reduces the search time and generates a high performance RNA structure. As part of the application of the tool developed, EOR methods have been identified with a greater chance of success in the mature oil fields of Block 192 located in the Marañon basin, Peru. The results obtained indicate that the EOR methods to be applied are in terms of probability of success, 85% of miscible hydrocarbon, 12% of in-situ combustion and 3% of nitrogen injection.