Predicción de la Producción de Pozos de Petróleo del Campo Sacha utilizando Analítica de Datos

Saltos Ortega, Roberto Antonio

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Ciencias de la Tierra
→
Tesis de Petróleos
→
Ver ítem

dc.contributor.advisor	Carrión Maldonado, Freddy , Director
dc.contributor.author	Saltos Ortega, Roberto Antonio
dc.creator	ESPOL.FICT
dc.date.accessioned	2025-01-27T20:44:59Z
dc.date.available	2025-01-27T20:44:59Z
dc.date.issued	2024
dc.identifier.citation	Saltos Ortega, R. A. (2024). Predicción de la Producción de Pozos de Petróleo del Campo Sacha utilizando Analítica de Datos. [Proyecto Integrador]. ESPOL.FICT .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/63171
dc.description	La predicción de la producción de pozos petroleros es crucial para optimizar operaciones y reducir costos en la industria petrolera. Esta tesis se centra en desarrollar un modelo predictivo utilizando análisis de series temporales y modelos de regresión para pronosticar la producción de pozos en la arena U inferior del Campo Sacha ? BLOQUE 60 ubicado en la provincia de Orellana, Ecuador. El modelo incorpora datos históricos de producción desde 2014 hasta 2024, donde el periodo 2013 - 2021 se utilizó para entrenamiento y el año 2022 para validación de los modelos, con el objetivo de evaluar la producción futura para los años 2023-2024. El proyecto emplea el modelo SARIMAX (Modelo Autorregresivo Integrado de Media Móvil Estacional con Regresores Exógenos), que es particularmente adecuado para manejar los patrones estacionales y las variables exógenas que influyen en la producción de petróleo. Además, se evaluaron varios modelos de regresión, con XGBOOST logrando el mejor desempeño durante la validación, alcanzando un 98% de eficiencia según la métrica de R², mientras que SARIMAX alcanzó un 72%. Sin embargo, en la evaluación del período 2023- 2024, el modelo SARIMAX mostró un rendimiento óptimo mayor a Random Forest en un 53%. Los resultados demuestran la efectividad tanto del modelo SARIMAX como de Random Forest en la predicción de períodos de tiempo discontinuos, considerando las brechas en los datos y proporcionando información útil para ingenieros de campo. Esta propuesta no solo mejoraría la precisión de las predicciones, sino que también ayudaría en la planificación estratégica y la asignación de recursos en el proceso de extracción de petróleo. Palabras claves: predicción de producción, modelos de regresión, series temporales, extracción de petróleo.
dc.format	application/pdf
dc.format.extent	58 página
dc.language.iso	spa
dc.publisher	ESPOL.FICT
dc.rights	openAccess
dc.subject	Predicción de producción
dc.subject	Modelos de regresión
dc.subject	Series temporales
dc.subject	Extracción de petróleo
dc.title	Predicción de la Producción de Pozos de Petróleo del Campo Sacha utilizando Analítica de Datos
dc.type	Ingeniero en Petróleos
dc.identifier.codigoespol	T-114784
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	INGE-2439
dc.description.abstractenglish	Predicting oil well production is crucial to optimize operations and reduce costs in the oil industry. This thesis focuses on developing a predictive model using time series analysis and regression techniques to forecast well production in the ?U inferior? sand of the Sacha Field - BLOCK 60 located in Orellana, Ecuador. The model incorporates historical production data from 2014 to 2024 where the period 2014 - 2021 was used for training and the year 2022 for model validation with the objective of evaluating future production for the years 2023-2024. The project employs the SARIMAX model (Seasonal Moving Average Integrated Autoregressive Model with Exogenous Regressors), which is particularly suited to handle seasonal patterns and exogenous variables influencing oil production. In addition, several regression models were evaluated, with XGBOOST achieving the best performance during validation, reaching 98% efficiency according to the R² metric, while SARIMAX reached 72%. However, in the 2023-2024 evaluation, the SARIMAX model showed a 53% optimal performance than Random Forest. The results demonstrate the effectiveness of both SARIMAX and Random Forest in predicting discontinuous time periods, considering gaps in the data and providing useful information for field engineers and decision makers. This approach not only improves prediction accuracy, but also aids in strategic planning and resource allocation in the oil extraction process. Keywords: production forecasting, regression models, time series, oil extraction.