17 – 20 de noviembre, 2021

Monterrey, N.L.

Aplicación de machine learning para el pronóstico de

producción de yacimientos
no convencionales
Abimael Avila Torres, Broxia Intelligence, Oliver Hernández Ambrosio, Broxia Intelligence,
Jorge Arévalo Villagrán, SENER, Francisco Castellanos Páez, CNH.
Noviembre de 2021

“Soberanía Energética
con Contenido Nacional”
20
21

Machine learning y Deep learning

17 – 20 de noviembre, 2021
Monterrey, N.L.

Redes neuronales-Deep Learning

Metodología

Casos de estudio
CONTENIDO

Conclusiones y recomendaciones

2
 Machine learning y Deep learning

Inteligencia artificial
Técnicas que da la posibilidad a las computadoras y máquinas de imitar la
inteligencia humana.

Machine learning
Subrama de la inteligencia artificial y ciencia de la computación que se
enfoca en el uso de datos y algoritmos para imitar la forma en como
los humanos aprendemos.

Deep learning
Subrama del machine learning, el cual simula el
comportamiento del cerebro humano, dando la habilidad de
aprender de grandes cantidades de datos.

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética con Contenido Nacional” 3
 Redes neuronales-Deep Learning
Redes Neuronales recurrentes

Una red neuronal recurrente (RNN) es un tipo de red neuronal artificial, la cual usa datos
secuenciales o series de datos de tiempo.

t t

S S S S
St St St St St

t t

𝑥𝑡 = 𝐸𝑛𝑡𝑟𝑎𝑑𝑎 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡.

ℎ𝑡 = 𝑃𝑟𝑒𝑑𝑖𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎 𝑎𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡

𝑠𝑡 = 𝐶𝑎𝑝𝑎 𝑜𝑐𝑢𝑙𝑡𝑎 𝑎 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡 𝑞𝑢𝑒 𝑠𝑒 𝑐𝑎𝑙𝑐𝑢𝑙𝑎

𝑈, 𝑉, 𝑊 = 𝑀𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 4

 Red neuronal-Deep learning

Este tipo de red neuronal recurrente es capaz de recodar información en

largos periodos de tiempo. Esta conformada por tres puertas:
1. Puerta del olvido (Forget gate).
2. Puerta de actualización (Update gate).
3. Puerta de salida (Outpute gate).

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 5

 Red neuronal-Deep learning

Celda de estado

Es la sección donde se almacena la información que

se agrega o se elimina en las puertas.

Puerta del olvido

Es la sección se filtra los datos de la capa anterior,

ℎ𝑡−1 , y los nuevos datos al tiempo t, 𝑥𝑡 y se agregan
a la celda de estado, 𝐶𝑡−1 .

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 6

 Red neuronal-Deep learning

Puerta de actualización

La primera, contiene una función de activación

sigmoidal que decide que valores se van a actualizar
del estado oculto anterior.

La segunda, es una función de activación 𝑡𝑎𝑛ℎ, la

cual crea un vector de nuevos datos, 𝑐𝑡ǁ .

Puerta de salida

Primero, se realiza la función sigmoidal la cual

decide que parte de la celda de estado se va a dar
como salida.

Después los datos de la celda de estado, 𝐶𝑡 , entran

en la función 𝑡𝑎𝑛ℎ y posteriormente se multiplica por
los datos de salida de la función 𝑠𝑖𝑔𝑚𝑜𝑖𝑑𝑎𝑙, 𝜃𝑡 para
dar como resultado los datos que pasan a la
siguiente celda.

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 7

 Caso de estudio en pozo J7

Preparación Definir el Compilar y

Evaluar
de datos modelo entrenar

Se utilizaron los datos del

pozo J7, el cual cuenta con
281 datos producción
mensual de gas.

1.- Normalizar datos.

2.- Restructurar de forma

supervisada.

3.- Dividir información

• 60% Entrenamiento(168)
• 40% ´Validación(113)

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 8

 Caso de estudio en pozo J7

Preparación Definir el Compilar y

Evaluar
de datos modelo entrenar

La red es de 3 capas, con una función de activación lineal y función de

pérdida error cuadrático medio.

Capa de entrada Capa oculta Capa de salida

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 9

 Caso de estudio en pozo J7

Preparación Definir el Compilar y

Evaluar
de datos modelo entrenar

6 28

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 10

 Caso de estudio en pozo J7

Preparación Definir el Compilar y

Evaluar
de datos modelo entrenar

Número de épocas: 3500

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 11

 Caso de estudio en pozo J7

Preparación Definir el Compilar y

Evaluar
de datos modelo entrenar

Número de neuronas: 2

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 12

 Caso de estudio en pozo J7

Preparación Definir el Compilar y

Evaluar
de datos modelo entrenar

Error de Error de
entrenamiento evaluación
74.18 45.46

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 13

 Caso de estudio en pozo J7

Método RMSE
Duong 215.53
YM-SEPD 104.14
Potencias 82.2
Crecimiento 65.52
Logístico
Red neuronal 60.79

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 14

 Caso de estudio en pozo J2

Método RMSE

Duong 515.31
Valko-SEPD 1295.91
YM-SEPD 409.79
Potencias 467.16
Crecimiento 384.34
Logístico
Red neuronal 331.17

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 15

 Conclusiones y recomendaciones

1. La red neuronal presentó mejores ajustes y un menor error cuadrático medio que los
modelos convencionales de declinación, mostrando un comportamiento más
representativo de los datos reales de producción de gas en yacimientos no
convencionales.
2. La red neuronal mostró un mejor ajuste en casos donde existen mucha dispersión de
los datos de producción, como se pudo observar en el análisis del pozo J2.
Demostrando un mejor ajuste en periodos con mucha incertidumbre.
3. El modelo puede mejorarse implementando más parámetros de entrenamiento como
son el uso de datos de presión de fondo fluyendo, gasto de agua y variaciones en
estrangulador, para mejorar el ajuste de la red neuronal.
4. El entrenamiento con mayor número de pozos representativos generará mejores
rendimientos de ajuste y menos márgenes de error.

Congreso Mexicano del Petróleo 2021 | “Soberanía Energética y Contenido Nacional” 16

 17 – 20 de noviembre, 2021
Monterrey, N.L.

“Soberanía Energética
con Contenido Nacional”