COMANDO GENERAL DE EJRCITO

ESCUELA MILITAR DE INGENIERIA

MCAL. ANTONIO JOSE DE SUCRE
BOLIVIA

RESERVORIOS II
CARRERA: INGENIERIA PETROLERA
SEMESTRE: SEPTIMO B
CODIGO: C4920-4
NOMBRE: ROSA LIDIA MUOZ POMA
DOCENTE: ING. PAOLA ADRIANA COCA Z.
FECHA: 22/08/2016

COCHABAMBA - BOLIVIA

1. PROBLEMA
El problema dado en este artculo es crear tcnicas para el clculo de las propiedades PVT de los
hidrocarburos.
2. ENFOQUE
La lectura nos presenta dos tcnicas para el clculo de las propiedades PVT, las cuales deben ser
predicciones precisas, las cuales son: No lineal ARX (NARX) y Hammerstein-Wiener (HW) y para estos
modelos de prediccin se emplearon 168 muestra PVT de campos iranes y 755 datos de diferentes
partes. Los resultados que nos dan estos mtodos de clculo de propiedades PVT son datos mucho ms
confiables que los mtodos ya empleados anteriormente como ser los mtodos ANFIS.
La obtencin de las propiedades de los fluidos del yacimiento tiene una aplicacin muy importante en el
clculo de ingeniera de yacimientos. Una necesidad esencial para todos los tipos de clculos derivados
del petrleo son las propiedades PVT como el diseo de equipos de manipulacin de fluidos, clculos
volumtricos del yacimiento y la determinacin de las propiedades de hidrocarburos que fluye, estas
propiedades debern adquirirse mediante anlisis de laboratorio de mediciones reales / muestras
recogidas de la ubicacin pozos de petrleo.
Durante los ltimos sesenta aos, la importancia de desarrollar y utilizar correlaciones empricas para las
propiedades PVT ha sido reconocida por los ingenieros. En consecuencia, mucha investigacin se ha
llevado a cabo en este campo y conducir al desarrollo de nuevas correlaciones empricas.
Katz (1942) public una correlacin grfica para predecir Bo.
Petrosky y Farshad (1993) presentan correlaciones para estimar Pb.
Glaso (1980) presenta correlaciones para estimar Pb.
Hanafy et al. (1997), presenta las correlaciones de Pb, la relacin de solucin de aceite de gas,
Bo, la compresibilidad de aceite, la densidad del aceite y la viscosidad del aceite.
Standing (1962), estima el Pb, relacin gas-petrleo y Bo
Vzquez y Beggs (1980), presenta las correlaciones para la relacin gas-aceite solucin, se
presentaron Bo y la compresibilidad del aceite.
Cada uno de estos autores realiza la estimacin de las correlaciones a partir de diferentes muestras PVT
de distintos lugares y diversas muestras. Por lo tanto, los investigadores recurrieron a mtodos de
computacin para una mayor precisin, ms rpido y ms fcil manera de predecir las propiedades
importantes de los parmetros disponibles PVT.
Otros medios populares para la obtencin de las propiedades del yacimiento son los mtodos:
Mtodo de redes neuronales artificiales (RNA).
Redes neuronales recurrentes como ANN.
Adaptativo sistema de inferencia Neuro-Fuzzy (ANFIS)
Desarrollado por Jang (1993). ANFIS es una red neural de alimentacin directa de mltiples capas
basada en el sistema de inferencia borrosa.
Proceso de diseo del modelo ANFIS constan de dos etapas: construccin y formacin. La etapa de
construccin es definir el nmero de entradas, el nmero y tipo de los BM. En esta etapa, la relacin de
entrada / salida se realiza en parches de reglas. Esto se puede lograr mediante el uso de una serie de
mtodos tales como la separacin de rejilla (GP), la agrupacin de sustraccin y difusos c-medios (FCM)
mtodos (Jang, 1993). En la etapa de entrenamiento, el ANFIS se le da la capacidad de aprender de los
datos de entrenamiento mediante el empleo de la tcnica de ANN para actualizar los parmetros del
modelo de inferencia de tipo Takagi Sugeno. Entonces, las soluciones mapeadas a cabo en un sistema
de inferencia borrosa (FIS), por tanto, se pueden describir en trminos lingsticos.
Modelo no lineal ARX
Modelos NarX, como un modelo de recuadro negro no lineal, se pueden utilizar como indicativo de
dinmica no lineal entre una amplia variedad de comportamientos y se han utilizado ampliamente en
diversas aplicaciones.
Modelo Hammerstein-Wiener
Cuando la salida de un sistema depende de manera no lineal en sus entradas, a veces es posible
descomponer la relacin de entrada-salida en dos o ms interconectados elementos. En este caso, la
dinmica puede ser representada por una funcin de transferencia lineal y capturar las no linealidades
utilizando funciones no lineales de las entradas y salidas del sistema lineal.
Resultados y discusin
Bo, la densidad, Pb son las propiedades PVT clave del fluido del yacimiento, que desempea un papel
crtico en casi todas las tareas relacionadas al depsito e ingeniera de produccin.
La obtencin de las propiedades del fluido de los embalses es muy importante para la ingeniera del
petrleo. Por otro lado, una informacin completa de los datos de las propiedades PVT no est disponible
para algunos embalses, y por otra parte, el clculo de las propiedades del fluido en los laboratorios es
largo y costoso, por no mencionar los errores humanos. Por lo tanto, una tcnica de soft computing para
predecir las propiedades del fluido necesarias es la solucin que los ingenieros han utilizado
recientemente.

Bo y la densidad
Para disear los modelos de prediccin de Bo y densidad, que comprende un conjunto de datos de 168
puntos de datos de 21 campos petrolferos distintos de los depsitos sur y oeste del Irn se han utilizado.
En este conjunto de datos, hay 8 puntos de datos de cada campo con un rango limitado de gravedad API.
Para desarrollar los modelos, 136 de los 168 puntos de datos PVT se utiliz para entrenar los modelos.
Con el fin de evitar que el sobre apropiado de los modelos durante el proceso de formacin, se utilizaron
16 puntos de datos para su validacin. Los 16 puntos de datos restantes que no fueron mostrados a los
modelos de datos (ciegos) se utilizaron para investigar y probar la exactitud de los modelos. Estos datos
no se han introducido en el sistema en el proceso de formacin. Todos los datos PVT utilizados en este
estudio fueron seleccionados de los depsitos de petrleo subsaturados. La eleccin de los rangos
adecuados de entrada y salida es un paso muy importante contar con modelos bien formados y conduce
a resultados muy precisos y fiables al final.
Para una mejor configuracin de un modelo ANFIS se debe hacer a travs de pruebas de configuracin
diferente; sin embargo, no hay ninguna base para encontrar la configuracin ms eficaz para ANFIS en
cualquier problema definido. Sin embargo, el seguimiento medio de la raz errores al cuadrado en el
diferente nmero de pocas de entrenamiento y verificacin de datos es la forma ms sencilla para dirigir
al rendimiento deseado. Para disear un modelo, el nmero y tipo de ANFIS MF tener un papel clave.
Para evaluar el rendimiento y la precisin de los modelos NARX, HW y ANFIS seleccionados, los 16
puntos de datos ciegos fueron alimentados a los modelos, y los resultados previstos de los modelos se
compararon con los datos reales de la densidad y Bo utilizando criterios estadsticos importantes,
incluyendo coeficiente de determinacin (R2), porcentaje medio de error relativo (Er) y absoluta
porcentaje de error relativo medio (Ea).
Las correlaciones empricas de Ahmed (1985), Hanafy et al. (1997) y Vzquez y Beggs (1980) se han
seleccionado para calcular y comparar los resultados de la densidad; y las correlaciones de Ahmed
(1985), Glaso (1980) y Vzquez y Beggs (1980) se utilizaron para calcular y comparar los resultados de
Bo. Adems, los resultados tambin se compararon con un modelo de ANN tipo de mquina comit que
se form y se evalu con el mismo conjunto de datos utilizados en este estudio.
Los resultados muestran que los modelos NarX y HW han predicho la densidad y Bo valores en la
medida satisfactoria. Se puede observar que los resultados del modelo NarX y HW supera a todos los
modelos ANFIS, Ann y tres correlaciones empricas publicadas ms comunes. Los modelos propuestos
NarX y HW, lograron el ms bajo Er, Ea ms bajo y un alto R2 en la prediccin de la densidad y Bo entre
las correlaciones empricas, ANN y Anfis modelos. La EA es un importante indicador de la exactitud de los
modelos, los modelos NarX y HW logran la ms alta precisin. Se puede observar que el modelo NARX
muestra una mejora 96,6% en trminos de Ea sobre el modelo ANFIS, 99,4% con respecto al modelo de
ANN, y tambin 98,2% en mejor correlacin emprica en la prediccin de la densidad. Adems, el modelo
HW muestra una mejora del 98,9% en trminos de Ea sobre el modelo ANFIS, 99,2% con respecto al
modelo de ANN, y 99,8% en correlacin mejor emprica en la prediccin de Bo.
La presin del punto de burbuja
Con el fin de investigar la eficacia del mtodo de modelado propuesto NARX y HW en otros campos de
petrleo y, as como para la estimacin de otras propiedades PVT, el rendimiento predictivo de los
modelos NarX y HW se evaluaron para la prediccin de la presin de saturacin de aceite del depsito en
diversas condiciones. Para este propsito, un gran banco de datos alcanzado desde Talebi, que a su vez
se han reunido de otros nueve estudios. La base de datos se han compilado los datos experimentales de
755 Rs,, T, API, y la presin del punto de burbuja (Pb) a partir de una variedad de aceites crudos pesados
(aceites a aceite voltil) y oscila desde varias ubicaciones geogrficas.
Talebi desarrolla dos modelos basados en perceptrn multicapa (MLP) y la Funcin de base radial (RBF)
redes neuronales para la prediccin de Pb, y considerado como el Pb a ser una funcin de R, g, T y API.
Al final, los resultados de los modelos de prediccin MLP-Ann y RBF-Ann se han comparado con
diecisis correlaciones publicadas. Del mismo modo, en este estudio dos modelos basados en mtodos
NarX y HW se han construido utilizando Rs, g, T y de la API como entradas y Pb como de salida. Al igual
que en la seccin anterior, un modelo ANFIS tambin se ha incorporado a efectos comparativos.
Con el fin de predecir la densidad y Bo, un conjunto de datos consta de 168 puntos de datos PVT de 21
embalses en el oeste y el sur de Irn, fueron utilizados para el entrenamiento de los modelos NarX y HW.
Realizando una comparacin entre los modelos NarX y HW formados con tres correlaciones empricas
comunes, dos tipos de modelos ANFIS y un modelo ANN tipo de mquina comit. Los resultados de
simulaciones revelaron que los modelos NarX y HW predijeron la densidad y Bo con la mayor precisin y
superaron a las correlaciones empricas, modelos ANFIS y Ann. Adems, se realiz una prueba de
validacin cruzada de los modelos NarX, HW y ANFIS para evaluar an ms su rendimiento predictivo
ms de 21 diferentes campos de petrleo.
Los resultados de la simulacin demuestran el rendimiento superior del modelo NARX cuando se
compara con dos modelos de redes neuronales RBF MLP y, un modelo ANFIS y varias correlaciones
empricas.
3. SOLUCION
La solucin que nos presenta este artculo es que se pueden obtener datos PVT ms exactos con la
ayuda de mtodos computarizados.

4. CONCLUSION
Los clculos y resultados obtenidos a travs de los mtodos NARX y HW son datos ms precisos y
superan a los datos obtenidos por los modelos ANFIS y las correlaciones empricas para la obtencin de
la densidad y el Bo del petrleo.
La obtencin de las propiedades del fluido de los embalses es muy importante para la ingeniera del
petrleo.
5. LIMITACONES
Las limitaciones son los datos, ya que la informacin obtenida de los diferentes pozos solo sirve para la
regin de donde las obtuvieron y adems que no siempre estn disponibles
Otra limitacin es que los datos no siempre son fiables.
6. APLICACIONES
Como nos dan resultados ms exactos la aplicacin que tiene en el campo de la ingeniera petrolera es
muy importante ya que gracias a esa exactitud obtendremos datos ms exactos para realizar las
predicciones tales como clculos del comportamiento de influjo, anlisis de la prueba, as numrico de
simulacin de yacimientos, las estimaciones de reservas y clculos de balance de materiales
7. CRITICAS

Explicar de una manera ms sencilla algunos de los clculos que realiza.

Explicar de qu trata los mtodos no lineales.