Predicción de Producción para Pozos Horizontales de Petróleo de Lutita Utilizando un Modelo de Red Neuronal...

Área de la Ciencia:

• Ingeniería Petrolera
• Inteligencia Artificial en Energía
• Recursos No Convencionales

Sus antecedentes:

• El petróleo de lutita es crucial para la seguridad energética mundial, pero su predicción es un desafío debido a la complejidad de los yacimientos.
• Los métodos convencionales tienen dificultades con la baja porosidad/permeabilidad y las complejas redes de fracturas en los yacimientos de lutita.
• La previsión precisa de la producción es vital para optimizar el desarrollo de petróleo y gas no convencionales.

Objetivo del estudio:

• Desarrollar un modelo de predicción de producción novedoso y preciso para pozos horizontales de petróleo de lutita.
• Integrar Redes Neuronales Convolucionales (CNN) para la extracción de características espaciales y Redes de Memoria Larga Bidireccional (BiLSTM) para la dependencia temporal.
• Validar el modelo CNN-BiLSTM propuesto utilizando datos de producción del mundo real.

Principales métodos:

• Desarrollado un modelo híbrido CNN-BiLSTM para la predicción de la producción de petróleo de lutita.
• Se utilizaron datos de producción de pozos horizontales del Miembro Chang 7 de la Cuenca Ordos para la validación.
• Se comparó el modelo CNN-BiLSTM con Support Vector Regression (SVR), Random Forest (RF), XGBoost, LSTM y BiLSTM.

Principales resultados:

• El modelo CNN-BiLSTM demostró un rendimiento superior a todos los algoritmos comparados.
• Se logró un Error Cuadrático Medio (RMSE) de 0.3103 y un Error Absoluto Medio (MAE) de 0.1731.
• Se obtuvo un Error Porcentual Absoluto Medio (MAPE) de 3.2333% y un coeficiente de determinación (R²) de 0.8856.

Conclusiones:

• El modelo CNN-BiLSTM ofrece una solución eficaz y robusta para la predicción de la producción de pozos horizontales de petróleo de lutita.
• El enfoque sinérgico del modelo mejora la precisión de la predicción para yacimientos no convencionales complejos.
• Los hallazgos proporcionan información valiosa para el desarrollo de recursos de petróleo y gas no convencionales.