Análisis y comparación de modelos de Machine Learning para la estimación de la viscosidad del petróleo a partir de grados API, temperatura y composición

Abstract

El desarrollo de nuevas tecnologías y metodologías ha tenido un papel fundamental para la obtención de nuevas soluciones a problemáticas que han perdurado a lo largo de los años en la vida cotidiana y sin duda, el campo petrolífero no es la excepción a tal afirmación. Los pilares para la planificación, el desarrollo y la continuidad de los proyectos hidrocarburíferos se reducen a la caracterización del fluido y entendimiento de su comportamiento bajo determinadas condiciones, de manera tal que con el fin de reemplazar la obtención de modelos empíricos manuales y la reiteración de ensayos que representan un mayor gasto del recurso económico, se propone la utilización de Inteligencia Artificial (IA), específicamente la utilización de los algoritmos de Machine Learning (ML) en una base de datos compuesta por muestras de petróleo muerto provenientes de varios yacimientos del Medio Oriente para la estimación de su viscosidad, caracterizado por su composición y temperatura. El presente trabajo se basa en la replicación y complementación del trabajo de Li, D., Zhang, X., & Kang, Q. (2023). Machine learning estimation of crude oil viscosity as function of API, temperature, and oil composition: Model optimization and design space, con el fin de estudiar y obtener la mejor estimación de la viscosidad del petróleo. Cabe destacar que el modelo que mejor ajuste depende del tipo y calidad de los datos. Para esta problemática y base de datos, en nuestro trabajo la mejor estimación se obtuvo utilizando el modelo de Red Neuronal de Regresión General Anisotrópico (AGRNN) con un Error Absoluto Medio de 14.55 cP, un Error Cuadrático Medio de la raíz de 24.40 cP y un Error Porcentual Absoluto Medio de 8.05%, difiriendo con el modelo elegido por Li, D. y colaboradores, Perceptrón Multicapa (MLP), cuyos errores presentados fueron: Error Absoluto Medio de 19.09 cP, un Error Cuadrático Medio de la raíz de 25.08 cP y un Error Porcentual Absoluto Medio de 15.6%. Sin duda, la implementación de nuevas tecnologías como lo es la Inteligencia Artificial, una herramienta de fácil acceso, nos permite evolucionar en cuanto a soluciones a problemáticas comunes, siendo su principal desventaja el acceso a datos públicos y gratuitos por parte de la industria y en términos académicos la escasa divulgación del tema.

The development of new technologies and methodologies have had a fundamental role to obtain new solutions to problems that have persisted throughout the years in people´s daily lives and undoubtedly, oilfield is not exception to this statement. The pillars to planning, developing and continuity of the hydrocarbon projects are reduced to fluid characterization and understanding of its behavior under particular conditions. In order to replace the manual empirical modeling and the repetition of tests that represent an extra economic cost, we propose the use of Artificial Intelligence (AI), specifically the use of Machine Learning (ML) algorithms on a database composed of samples of dead oil from various Middle East reservoirs for the estimation of its viscosity, characterized by its composition and temperature. The present thesis is based in the replication and complementation of the Paper by Li, D., Zhang, X., & Kang, Q. (2023). Machine learning estimation of crude oil viscosity as function of API, temperature, and oil composition: Model optimization and design space, in order to study and obtain the best estimate of oil viscosity. It should be noted that the best fitting model depends on the kind and quality of the data, however, for this problem and data set, we obtained the best estimate using the Anisotropic General Regression Neural Network model (AGRNN) with a Mean Absolute Error of 14.55 cP, a Root Mean Squared Error of 24.40 cP and a Mean Absolute Percentage Error of 8.05%, differing with the model selected by Li,D. et al., Multilayer Perceptron (MLP), whose errors were: Mean Absolute Error of 19.09 cP, a Root Mean Square Error of 25.08 cP and a Mean Absolute Percentage Error of 15.6%. Undoubtedly, the implementation of new technologies such as Artificial Intelligence, an easily accessible tool, allows us to evolve in terms of finding solutions to common problems, being its main disadvantage the access to public and free data by the industry and in academic terms the scarce dissemination of the subject.