Revista de Petróleo y Biotecnología Ambiental

Abstracto

Exploración de la utilidad de la regresión del proceso gaussiano para la predicción de las tasas de producción de petróleo, agua y gas

Etinosa Osaro*, Vivian Okorie, Sonia Alornyo

Este estudio evaluó el desempeño de los modelos de regresión de proceso gaussiano (GPR) para predecir las tasas de producción de petróleo, gas y agua en la industria energética. GPR es una técnica de aprendizaje automático no paramétrica basada en Bayes que modela la incertidumbre en las predicciones, proporcionando no solo una predicción sino también un intervalo de confianza para la predicción. Este estudio analizó el impacto de varias características de entrada en las tasas de producción, incluido el tamaño del estrangulador, la presión del cabezal de la tubería, la presión de la línea de flujo, el sedimento básico y el agua, la interfaz de programación de aplicaciones (API) neta, la presión de flujo del pozo y la presión estática. El resultado de este estudio proporciona información valiosa sobre el potencial de GPR para mejorar la previsión de la producción y la gestión de recursos en la industria del petróleo y el gas. Los hallazgos también arrojan luz sobre la idoneidad de diferentes núcleos para modelar las tasas de producción y la importancia de cada característica de entrada en la previsión y optimización de la producción. El uso de GPR en la previsión de la producción tiene el potencial de aumentar la eficiencia, mejorar la productividad y reducir los costos en la industria del petróleo y el gas.