Desarrollar dentro de un período de tres (3) meses una prueba de concepto para la empresa OVS Group, LLC, para validar la viabilidad y relevancia con respecto a la precisión, velocidad y complejidad de creación, y tiempo de respuesta de utilizar técnicas de Aprendizaje Automático para la predicción de una variable continua (producción de petróleo) a partir de un grupo de variables continuas (datos operacionales del pozo), para transformar o crear nuevos workflows sobre el framework OVS.

• Implementar el workflow Virtual Metering usando la técnica que brinde los mejores resultados de los modelos a explorar, a saber: regresión lineal multivariada, regresión polinómica y redes neuronales, para validar si es una alternativa viable y práctica a los métodos tradicionales de estimación de producción de pozos.
• Generar un documento con los lineamientos y reglas de uso que sirvan como guía para la implementación futura de módulos de Virtual Metering, con base en la técnica y modelo seleccionado de la exploración realizada, en OVS con otros datasets, el cual incluya:
• Nivel de información mínima que se requiere para implementar el proceso.
• Comparación de resultados entre pozos con distintos volúmenes de información: 10 años vs 5 años vs 1 año de información.
• Definir el nivel (pozo, plataforma, campo, yacimiento) al cual el modelo propuesto es representativo: crear un modelo por pozo vs crear un modelo para un conjunto de pozos agrupados al mismo nivel.

• Experimentalmente, se demostró que los modelos de ANN para los datos usado en el proyecto dan mejores resultados (MAPEs bajos) no normalizando los datos, usando como optimizador el algoritmo Adam, con grandes valores para la cantidad de épocas y la cantidad de unidades de salida, usando pequeños valores para la tasa de aprendizaje, y como función de pérdida y métrica de calibración el MSE.
• Aunque en las pruebas realizadas con Redes Neuronales se encontraron los parámetros para los cuales los modelos son más sensibles y ofrecen mejor precisión de aprendizaje con respecto a los datos usados, se recomienda usar el proceso Selección del Modelo Predictivo, para realmente encontrar los mejores modelos sin necesidad de seleccionar los parámetros de forma manual o cometer errores humanos.
• Para el conjunto de modelos seleccionados como “Best Models”, a medida que crece el valor del MAPE de entrenamiento, el MAPE de validación (+1 mes) y de pruebas (+2 mes) crecen casi en la misma proporción con un comportamiento oscilante. Además, el MAPE de pruebas está un poco por arriba que el MAPE de validación, lo cual es entendible, desde el punto de vista de que fueron datos que el modelo nunca vio y que están 2 meses por delante de los datos usados para el entrenamiento.
  

Los ajustes obtenidos por los mejores modelos muestran la viabilidad de la aplicación de las técnicas de aprendizaje automático para la estimación de producción de pozos petroleros a partir de parámetros operacionales. Las mediciones virtuales obtenidas pueden ser incluidas en los procesos de seguimiento y optimización de la producción de pozos. Se pudo establecer también opciones y una metodología para atacar la variabilidad que se espera en la industria petrolera en términos de los datos de entrada para los modelos.

Este tipo de ajustes en los modelos incluyendo la generación de diferentes escenarios, es clave para considerar los modelos de Machine Learning como una herramienta que forme parte de un potencial ofrecimiento comercial.