Análisis y comparación de modelos de Machine Learning para la estimación de la viscosidad del petróleo a partir de grados API, temperatura y composición
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 planificaci...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | trabajo final de grado bachelorThesis acceptedVersion |
| Lenguaje: | Español |
| Publicado: |
Universidad Nacional del Comahue. Facultad de Ingeniería
2024
|
| Materias: | |
| Acceso en línea: | https://rdi.uncoma.edu.ar/handle/uncomaid/18513 |
| Aporte de: |
| Sumario: | 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. |
|---|