Generación de un modelo predictivo para eventos de pega de tubería en pozos de petróleo

Abstract

Los eventos de pega de tubería en pozos de petróleo y gas son situaciones no deseadas que ocurren en el 15% de los pozos perforados y generan el 22% de los eventos no deseados durante la perforación de pozos. El objetivo de este trabajo consiste generar un modelo predictivo de estos eventos de pega de tubería y encontrar las variables relevantes en la ocurrencia de estos eventos. El primer paso consiste en procesar datos no estructurados (archivos de graficas en formato PDF) que contienen información de los sensores de superficie, los cuales se monitorean durante de perforación de pozos. Estos archivos contienen datos 10 horas antes de la ocurrencia del evento contemplando 16 evento de pega de tubería. Se usó una herramienta de software libre, la cual permitió obtener de forma estructurada los valores de las series de tiempo contenidas en las gráficas. Se realizó la limpieza de datos correspondiente y se utilizaron técnicas de análisis de correlaciones para evaluar las variables de mayor y menor impacto en la ocurrencia de eventos de pega de tubería. Posteriormente se usaron tres tipos de modelos: modelos de Machine Learning con enfoque supervisado y no supervisado; y redes neuronales tipo LSTM con enfoque supervisado. Para evaluar estos modelos se seleccionó la métrica Recall, con el fin de minimizar la cantidad de falsos positivos, que son los que tienen un mayor impacto en el negocio. Finalmente se evalúan los tres tipos de modelos desde dos perspectivas: la económica, con las implicaciones y los costos de, tanto falsos positivos como falsos negativos de cada tipo de modelo y se compara con la situación de costos actual; y la perspectiva operativa, en términos de tiempo de antelación con el cual cada uno de los modelos predice la ocurrencia de los eventos de pega de tubería.

Pipe sticking events in oil and gas wells are unwanted events that occur in 15% of wells drilled and generate 22% of unwanted events during drilling wells. The objective of this work is to generate a predictive model of these pipe sticking events and to find the relevant variables in the occurrence of these events. The first step is to process unstructured data (graph files in PDF format) containing information from the surface sensors, which are monitored during drilling wells. These files contain data 10 hours before the occurrence of the event, contemplating 16 pipe sticking events. A free software tool was used, which made it possible to obtain the values ??of the time series contained in the graphs in a structured way. The corresponding data cleaning was carried out and correlation analysis techniques were used to evaluate the variables with the greatest and least impact on the occurrence of pipe sticking events. Subsequently, three types of models were used: Machine Learning models with a supervised and unsupervised approach; and LSTM-like neural networks with a supervised approach. To evaluate these models, the Recall metric was selected, in order to minimize the number of false positives, which are the ones that have the greatest impact on the business. Finally, the three types of models are evaluated from two perspectives: the economic one, with the implications and costs of both false positives and false negatives of each type of model and it, is compared with the current cost situation; and the operational perspective, in terms of the lead time with which each of the models predicts the occurrence of pipe sticking events.