Estudio de Las Influencias de Las Variables

REPÚBLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD DEL ZULIA

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA MECÁNICA
DEPARTAMENTO DE ENERGÍA
E S TU D I O D E LA I N FL U E N C I A D E LA S
V A R I A B LE S Q U E A FE C TA N A U N
S I S TE M A I N T E G R A D O S U B S U E L O
S U P E R FI C I E P A R A P R O D U C C I Ó N D E
P E TR Ó LE O
Trabajo Especial de Grado, presentado ante la ilustre

Universidad del Zulia, para optar al título de Ingeniero Mecánico,
por:
Br. José Miguel Bermúdez Acosta.

C.I.: 13.480.774
Maracaibo, Marzo 2001

APROBACIÓN
Este jurado aprueba el Trabajo Especial de Grado titulado: “ESTUDIO DE LA

INFLUENCIA DE LAS VARIABLES QUE AFECTAN UN SISTEMA INTEGRADO
SUBSUELO–SUPERFICIE PARA PRODUCCIÓN DE PETRÓLEO” que el bachiller:
José Miguel Bermúdez Acosta, presenta al Consejo de la Facultad de Ingeniería, en
cumplimiento con los requisitos señalados en la Sección II del Capítulo III del
Reglamento de la Facultad, para optar al título de Ingeniero Mecánico.
Maracaibo, Marzo 2001.
Jurado Examinador
________________________________
Prof. Lic. Salvador Pintos
Asesor Académico
_______________________________
Prof. Ing. José Rincón
_______________________________
Prof. Ing. Juan J. González
ii
DEDICATORIA
A Dios, por haberme dado la vida y la familia que tengo, además de guiar el
camino para culminar la carrera de Ingeniería Mecánica.
A mi madre, Virginia, que ha sido mi compañera y amiga incondicional a lo largo

de mi carrera y mi vida. Todos tus esfuerzos han valido la pena, mamá.
A mi padre, Jesús. Gracias por los ideales que nos inculcaste desde niños.
A mis sobrinos: Vanessa, Andrés, Laura, Juan, Valeria y Valentina. Espero ser
un ejemplo para ustedes.
A mis abuelos y abuelas: Antonio y Eufrosina, Pedro y Solange. Ustedes son la

semilla de nuestros triunfos.
iii
AGRADECIMIENTO
A Papá y Mamá, por haberme inculcado respeto, responsabilidad y educación,

principios básicos para el triunfo.
A mis hermanos, Juan Antonio y Jesús Rodolfo, que han sido ejemplo
fundamental en mi vida.
A Luis Eduardo, quien ha sido un hermano más, siempre listo para apoyarme.
A Flavia, por brindarme su apoyo, cariño y atención durante la elaboración de

este trabajo... siempre estarás presente.
A Javier, amigo incondicional durante la carrera.
A mis amigos: Carmen, Silvia, Antonio, Andrés, Giovanni, Jesús y David, por
brindar su apoyo en todo momento.
Al profesor Nestor Queipo, por confiar en el desarrollo de éste trabajo.
Al profesor Salvador Pintos, un tutor estrella e insuperable maestro.
A Javier Goicochea y Alexander Verde, colaboradores fundamentales en la

ejecución de este trabajo.
Al personal del Instituto de Cálculo Aplicado, que ejerciendo su labor de manera

excelente son un ejemplo dentro de la universidad.
iv
Resumen
RESUMEN
Bermúdez Acosta, José Miguel. “ESTUDIO DE LA INFLUENCIA DE LAS

VARIABLES QUE AFECTAN UN SISTEMA INTEGRADO SUBSUELO-
SUPERFICIE PARA PRODUCCIÓN DE PETRÓLEO”. Maracaibo. La Universidad
del Zulia. Facultad de Ingeniería. Escuela de Ingeniería Mecánica. Departamento
de Energía. Marzo de 2001. Trabajo Especial de Grado.
Las reservas Venezolanas de condensados, livianos y pesados, con los niveles de

agotamiento y los costos de producción de petróleo que presentan, demuestran una
clara desventaja de la industria petrolera nacional frente a otros países productores.
Una alternativa para mejorar esta situación es jerarquizar y manejar las variables
involucradas en el proceso de explotación y producción de petróleo, contribuyendo a
evitar grandes pérdidas de tiempo y dinero.
Para lograrlo se aplica un análisis de la influencia de las variables que afectan un

sistema de producción, que permite determinar su aporte y lograr un adecuado
manejo de los criterios de diseño y operación.
La metodología propuesta se basa en los principios del análisis de varianza

extendido a variables continuas aplicada a un modelo numérico denominado
Optimización Integrada Subsuelo-Superficie (OI2S). Para agilizar los múltiples
cálculos integrales se genera un modelo sustituto con redes neuronales de tipo
perceptrón multicapa, presentándose muy estable y aproximada a los resultados
originales.
El estudio se desarrolla con problemas de Calibración, Diseño y Operación, para los

que el modelo presenta dos repuestas, producción acumulada de petróleo y valor
presente de los ingresos. La solución del análisis jerarquiza la influencia de las
variables en función de la relación entre las variabilidades debidas a los efectos
individuales y la variabilidad total, además de establecer el comportamiento de las
respuestas del modelo en función de los efectos individuales correspondientes. En
general, el análisis desarrollado representa una alternativa adecuada para jerarquizar
las variables.
Palabras claves: Análisis de Varianza, Variabilidades, efectos principales, sistema

de producción, OI2S, Producción acumulada de petróleo, valor presente de los
ingresos.
v
Índice General
INDICE GENERAL
Página
Aprobación ii
Dedicatoria iii
Agradecimiento iv
Resumen v
Indice General vi
Lista de Figuras viii
Lista de Tablas ix
Capítulo I. Introducción 1
1.1 Planteamiento y Justificación del Problema 2
1.2 Objetivos 6
1.2.1 Objetivo General 6
1.2.2 Objetivos Específicos 6
1.3 Alcance y Delimitación del Estudio 6
1.4 Estructura del Trabajo 7
Capítulo II. Formulación Matemática del Problema 8
Capítulo III. Revisión de la Literatura 12
Capítulo IV. Marco Teórico 17
4.1 Modelo matemático de un Sistema Integrado Subsuelo – 18

Superficie de Producción de Petróleo.
4.2 Modelo sustituto del OI2S 48
4.3 Análisis de la influencia relativa de las variables que 54

participan en el modelo OI2S
vi
Índice General
Capítulo V. Marco Metodológico 64
5.1 Metodología de Solución 65
5.1.1 Metodología para el modelo de Optimización 65

Integrada Subsuelo Superficie
5.1.2 Metodología para el modelo sustituto 66
5.1.3 Metodología para el análisis de la influencia 72

relativa de las variables
5.2 Metodología de Evaluación 75
5.2.1 Criterios para los modelos sustitutos 76
5.2.2 Criterios de evaluación para el análisis de la 77

influencia relativa de las variables.
Capítulo VI. Estudio de Casos 79
Caso 1.- Problema de Calibración 80
Caso 2.- Problema de Diseño 82
Caso 3.- Problema de Operación 83
Capítulo VII. Análisis y Discusión de los Resultados 85
7.1 Resultados del Modelo Sustituto 86
7.2 Resultados del Análisis de la Influencia Relativa de las 92

Variables del modelo.
Capítulo VII. Conclusiones y Recomendaciones. 102
Glosario 106
Referencias Bibliográficas 112
Bibliografía 114
vii
Lista de Tablas
LISTA DE TABLAS
Tabla Nº Página
3.1 Propiedades del Yacimiento 13
4.1 Correlaciones de propiedades del hidrocarburo 24
6.1 Intervalo recomendado para las variables de calibración 80
Escenarios de Producción para los casos estudiados de diseño y

6.2 81
operación
6.3 Intervalo recomendado para las variables de diseño 82
6.4 Intervalo recomendado para las variables de operación 83

Valores constantes durante la simulación para los parámetros del
6.5 84
modelo
Dimensiones de los conjuntos de la red neuronal para el caso de
7.1 86
Calibración
7.2 86
Diseño
7.3 87
Operación
Número de neuronas en la capa oculta correspondiente para cada
7.4 91
caso
Influencia relativa de las variables y del residual para el caso de
7.5 93
Calibración
Resultado del análisis de la influencia relativa de las variables para el
7.6 95
COP del caso de Calibración
7.7 97
caso de Diseño
7.8 99
caso de Operación
viii
Lista de Tablas
LISTA DE FIGURAS
Figura Nº Página
Diagrama con producción y nivel de agotamiento de yacimientos de
1.1 3
países petroleros incluyendo Venezuela
1.2 Composición de las reservas y del paquete de producción de PDVSA 3
1.3 Esquema del Sistema de Producción de Petróleo 5
Representación del sistema de producción en términos del modelo
4.1 19
OI2S
4.2 Ilustración de la ecuación de balance de masa 21
4.3 Ilustración de una curva IPR típica 21
Comportamiento típico de la presión de fondo fluyente necesaria para
4.4 26
el transporte de fluidos
4.5 Patrones de flujo multifásico en una tubería horizontal 26
4.6 Patrones de flujo en una tubería vertical 27
4.7 Estrangulador de Superficie tipo positivo 32
4.8 Raíces verdaderas y falsas del flujo másico residual 36
4.9 Representación esquemática de un separador 38
4.10 Diagrama de flujo del cálculo de fases 44
4.11 Red neuronal de tres capas 50
4.12 i-esima neurona de la j-esima capa 51
4.13 Descomposición de la variabilidad 59
4.14 Efecto individual sensible a valores extremos 59
4.15 Triángulos de proporcionalidad 60
5.1 Metodología para el modelo OI2S 66
Curvas del cuadrado del error medio (MSE) para los conjuntos de
5.2 71
entrenamiento y validación
5.3 Algoritmo de solución para el análisis de las variables 73
Gráfica del cuadrado del error medio mínimo para cada red con
5.4 77
diferente número de neuronas en la capa oculta
5.5 Descomposición de la variabilidad 78
5.6 Efecto individual sensible a valores extremos 78
Gráfica del cuadrado del error medio (MSE) vs. el número de iteración
7.1 para el entrenamiento de redes neuronales con 4 neuronas en la capa 88
oculta para el modelo sustituto del caso de Calibración
ix
Lista de Tablas
para el entrenamiento de redes neuronales con 6 neuronas en la capa
7.2 88
oculta para el modelo sustituto del tercer caso económico del caso de
Diseño
para el entrenamiento de redes neuronales con 5 neuronas en la capa
7.3 89
oculta para el modelo sustituto del primer caso económico del caso de
Operación
Magnitudes de los MSE óptimos en función del número de neuronas
7.4 90
en la capa oculta para el caso de Calibración
7.5 en la capa oculta para el tercer escenario económico del caso de 90
Calibración
7.6 en la capa oculta para el primer escenario económico del caso de 91
Calibración
Influencia relativa de las variables y del residual para el caso de
7.7 93
Calibración
Comportamiento del efecto individual respecto al intervalo de
7.8 definición de la permeabilidad del gas para el Valor Presente de los 94
ingresos (PV) del caso de Calibración
Influencia relativa de las variables y del residual para el COP del
7.9 96
tercer escenario económico del caso de Calibración
7.10 definición de la tasa de producción de petróleo para el COP del tercer 96
escenario económico del caso de Calibración
Influencia relativa de las variables y del residual para el PV del tercer
7.11 98
escenario económico del caso de Diseño
7.12 definición de la tasa de producción de petróleo para el PV del tercer 98
escenario económico del caso de Diseño
Influencias relativas de las variables y del residual para el primer caso
7.13 100
económico del caso de Operación
7.14 definición de la tasa de producción de petróleo para el COP del primer 101
escenario económico del caso de Calibración
x
Capítulo I.- Introducción
CAPÍTULO I
INTRODUCCIÓN
ðPlanteamiento y
Justificación del
Problema.
ðObjetivos General y
Específicos.
ðAlcance y
Delimitación.
ðEstructura del
trabajo.
1
1.1.- PLANTEAMIENTO Y JUSTIFICACIÓN DEL PROBLEMA.
Las reservas Venezolanas, de condensados, livianos y medianos, con los

niveles de agotamiento y los costos de producción de petróleo que presenta,
demuestran una clara desventaja de la Industria Petrolera Nacional frente a otros
países productores. En las figuras 1.1 y 1.21 se puede apreciar la situación
Venezolana actual respecto a otros países, así como, las reservas probadas y el
paquete de producción nacional.
Las presiones competitivas, que van en ascenso, generan la necesidad de

encontrar mecanismos que mejoren los procesos productivos, permitiendo minimizar
los costos y agregar valor a la producción. El análisis de programas que simulan los
sistemas de producción, para determinar la influencia de las variables, se presenta
como una herramienta atractiva para entender el proceso e implementar las mejoras
planteadas.
Antes de empezar a diseñar un pozo se conocen variables que podrían

determinan el comportamiento del yacimiento, como la presión de fondo fluyente
(Pwf), dependiente de la presión del cabezal y a su vez de las condiciones de presión
en los accesorios de la superficie (válvula de estrangulamiento, separador, tubería
horizontal), las saturaciones del fluido que se encuentra en el yacimiento, o la
gravedad específica (ºAPI) del petróleo. Las decisiones que tome el personal de
Ingeniería de Producción, en cuanto a la cantidad de barriles por día que se deben
obtener cuando el pozo se encuentra totalmente operativo, también influye en el
comportamiento del pozo.
Al desconocer como jerarquizar y manejar las variables importantes, para

determinar como participan en el comportamiento del fluido a lo largo de las etapas
de producción, se pueden originar grandes pérdidas de tiempo y dinero. Además, la
1
Queipo, N. V. “Optimización Efectiva de Sistemas Complejos: Aplicaciones en la Industria Petrolera”.
Trabajo de Ascenso. Universidad del Zulia. Facultad de Ingeniería. Septiembre 2000.
2
carencia de una base de datos, con la información cuantificada sistemáticamente, no

permite establecer patrones de evaluación de los sistemas de producción.
El análisis de la influencia de las variables de sistemas de producción se

presenta como una opción atractiva a la inquietud anterior. Así, se puede determinar
el aporte de las variables al modelo, para lograr un adecuado manejo de los criterios
de diseño y operación, generando además información histórica para futuros análisis
u optimizaciones del sistema.
Fig. 1.1 – Diagrama con producción y nivel de agotamiento de yacimientos de países petroleros
incluyendo Venezuela.
Fig. 1.2 – Composición de las reservas y del paquete de producción de PDVSA.
3
Un estudio de simulación numérica de un sistema de producción de

hidrocarburos combina todos los análisis disponibles (geológicos, muestras del
núcleo, petrofísico, PVT, y pruebas de pozo), registros de producción y presiones,
dentro de un modelo integrado de yacimientos. La respuesta del modelo (e.g.
producción acumulada, valor presente neto, etc.) depende de una serie de
parámetros en los diferentes submodelos. Estos parámetros difieren en su
naturaleza y en la incertidumbre asociada con su especificación. Así por ejemplo, el
diámetro e inclinación del pozo, y la porosidad son parámetros del pozo, y del
modelo de yacimiento (área de drenaje), respectivamente, que exhiben, típicamente,
distintos niveles de incertidumbre. En muchos casos es posible reducir la
incertidumbre asociada con la especificación de estos parámetros a través de
pruebas en subsuelo y superficie. Sin embargo, la posibilidad de llevar adelante
todas las pruebas posibles está limitada por consideraciones económicas por lo que
es necesario establecer una metodología para el proceso de calibración del modelo
asumiendo que existen datos de producción, y/o medidas en subsuelo/superficie
conocidas. Luego el modelo resultante puede ser usado como una herramienta
efectiva para la gerencia de yacimientos.
En la industria petrolera no existen modelos integrados que permitan conocer, a

partir de las condiciones iniciales del yacimiento y otros parámetros de producción,
condiciones económicas para la toma de decisiones sobre los lineamientos de
producción. Una solución se presenta con el modelo de Optimización Integrada
Subsuelo-Superficie (OI2S), desarrollado en el Instituto de Cálculo Aplicado de la
Facultad de Ingeniería, en el marco del Proyecto CONICIT G - 97003899 titulado
“Análisis del Comportamiento de Pozos Petroleros Utilizando Métodos de
Computación Emergente”.
La figura 1.3 presenta el funcionamiento del modelo, donde se muestra cada

componente con las variables que intervienen y las interconexiones entre ellos,
representando la integración de un sistema de producción.
4
Figura. 1.3 - Esquema del sistema de producción de petróleo.
El propósito de este trabajo es determinar las contribuciones de cada variable a

la Varianza Total (VT) del desempeño del sistema descrito (producción acumulada
de petróleo y valor presente). Más precisamente, determinar la influencia relativa de
las variables que participan permitirá realizar inferencias sobre el aporte de cada una
al sistema simulado.
El análisis de varianza envuelve múltiples cálculos integrales, que al aplicarlo al

modelo implicaría una inversión de tiempo y costos computacionales muy elevados
para lograr los propósitos mencionados.
MODELO OI2S ANOVA
Ésta situación es solventada desarrollando modelos sustitutos del modelo OI2S

que permiten obtener respuestas con una aproximación deseable y tiempos de
procesamiento muy convenientes, a pesar de los complicados algoritmos iterativos
utilizados. Así se relacionan el modelo OI2S, el modelo sustituto desarrollado con
redes neuronales y el análisis de las variables.
M O D E L O O I2S MODELO ANOVA

SUSTITUTO
5
1.2.- OBJETIVOS.
− OBJETIVO GENERAL.
Comprender la influencia de las variables que afectan el comportamiento de un

modelo de Optimización Integrada Subsuelo – Superficie (OI2S), para la producción
de petróleo.
− OBJETIVOS ESPECÍFICOS.
1. Presentar una metodología para el desarrollo del análisis de la influencia de

las variables del modelo OI2S.
2. Identificar la influencia relativa de las variables que afectan el desempeño

del modelo OI2S utilizando la metodología propuesta.
3. Establecer criterios de calibración, diseño y operación del modelo OI2S.
4. Desarrollar y evaluar casos de estudio con los criterios anteriores.
1.3.- ALCANCE Y DELIMITACIÓN.
La investigación se limita a identificar la influencia relativa de las variables

críticas en el modelo OI2S, utilizando los principios del Análisis de Varianza
extendido a variables continuas. Se consideran tres casos que corresponden a tres
problemas bien diferenciados, que se identifican como: calibración, diseño y
operación.
El estudio se desarrolla en el marco del Proyecto CONICIT G-97003899 titulado

“Análisis del Comportamiento de Pozos Petroleros Utilizando Métodos de
Computación Emergente”, ejecutado por el Instituto de Cálculo Aplicado (ICA) de la
Facultad de Ingeniería.
6
1.4.- ESTRUCTURA DEL TRABAJO.
ü Capítulo II, Formulación del Problema, define el problema que se desea

solucionar. Además, se presentan los casos comunes que se pueden
evaluar: la calibración, el diseño y la operación del modelo.
ü Capítulo III, Revisión Bibliográfica, presenta una reseña de la literatura

consultada, para la ejecución el modelo OI2S, la obtención de los modelos
sustitutos y los principios para el análisis de la influencia de las variables.
ü Capítulo IV, Marco Teórico, describe en detalle los componentes del modelo
OI2S y los correspondientes algoritmos de trabajo. Continua con una
introducción a las redes neuronales tipo perceptrón multicapa, como opción
para obtener modelos sustitutos. Finalmente presenta la teoría desarrollada
para el Análisis de Varianza (ANOVA) extendido a variables continuas que se
desea aplicar al sistema.
ü Capítulo V, Marco Metodológico, explica los procedimientos de solución para

el problema definido.
ü Capítulo VI, Estudio de casos, presenta los casos que serán evaluados, con
las variables que participan en el proceso y sus restricciones operacionales.
ü Capítulo VII, Análisis y Discusión de los Resultados, reporta los resultados

obtenidos de la metodología aplicada, presentando cuadros y gráficas
representativas.
ü Capítulo VIII expone las Conclusiones y Recomendaciones del estudio.
7
Capítulo II.- Formulación del Problema
CAPÍTULO II
FORMULACIÓN
DEL PROBLEMA
ðFormulación.
ðProblemas.
− Calibración.
− Diseño.
− Operación.
8
El comportamiento de la producción de un pozo es una función de varias

variables,
Q = f (Pres , Dtubing , Dchoke , Dflowline , Psep, ...)
donde, entre otras, Q es la tasa de producción del sistema; Pres. es la presión del
yacimiento; Dtubing, el diámetro de la tubería del pozo; Dchoke, el diámetro de la válvula
de estrangulamiento; Dflowline, es el diámetro de la tubería horizontal, y Psep, es la
presión del separador. Modificándolas se observan cambios en el comportamiento
del pozo, razón por la cual el ingeniero debe acumular el mayor conocimiento posible
para su manejo. Esto es importante para propósitos de diseño y operación,
permitiéndole tomar decisiones acertadas en el desarrollo o la evaluación de un
pozo.
Mantener un pozo monitoreado para determinar las magnitudes que sus

parámetros alcanzan es una tarea costosa y a largo plazo. Un modelo de simulación
numérica representa una herramienta adecuada para obtener respuestas muy
cercanas a la realidad, permitiendo analizar la influencia de las variables. El modelo
OI2S es un simulador que ofrece esta opción, obteniendo proyecciones económicas
a partir de condiciones de yacimiento y otros parámetros de producción.
Una de las tareas centrales es analizar la influencia relativa de las variables en el

desempeño del sistema, para conocer el aporte individual. Se entiende estudio de la
influencia relativa de las variables en el modelo a la relación que se establece entre
las variabilidades asociadas a cada variable y la variabilidad total. Este conocimiento
permitirá responder a las siguientes interrogantes:
ü Qué variables de entrada al modelo influyen en la respuesta.

ü Cuál es la influencia relativa de éstas.
ü Cómo influye una determinada variable en la respuesta.
9
El análisis de la influencia que los parámetros ejercen sobre el modelo, se realiza

de la siguiente manera:
Se establece la función objetivo,
F(x1,..., x5,..., xp)
con intervalos de definición para las variables como,
ai ≤ xi ≤bi i = 1,..., p
donde xi es la variable, ai y bi son los límites inferior y superior del intervalo.
El principio del Análisis de Varianza (ANOVA) extendido a variables continuas,

permite determinar los efectos individuales de cada variable (ej(xj)),
∫... ∫... ∫... ∫ F ( x1,..., x3 ,..., x p )dx1...dx( j − 1) dx( j + 1) ...dx p

x x x x
1 j− 1 j+ 1 p
e (x ) =
j j (b − a )..(b − a )(b − a )...(b − a )
1 1 j− 1 j− 1 j+ 1 j+ 1 p p
Se define Variabilidad Total (VT) del sistema como,
V T = ∫∫∫( F ( x , x ,..., x ) − m) 2 dx dx ...dx

1 2 p 1 2 p
Ω
donde m es la media global calculada para todo el espacio, y la Variabilidad

Individual de cada efecto (Vej(xj)) es,
p bj
Ve j ( x j ) = ∫∫∫(e j ( x j ) − m) dx1dx2 ...dx p = ∏ (bi − ai ) ∫(e j ( x j ) − m) 2 dx j

2
Ω i≠ j aj
Ve j ( x j )
Se define como Influencia Relativa la relación , y de su estudio es posible
VT
inferir las respuestas a las interrogantes antes mencionadas.
10
Esta metodología se aplicará a problemas diferenciados como: calibración diseño

y operación. Éstos plantean problemas representativas que permiten estudiar
diferentes situaciones para el modelo numérico.
Caso 1.- Problema de Calibración.
El ajuste de datos históricos (History Matching), o calibración, permite realizar la

validación del modelo numérico. Esto se obtiene modelando el comportamiento
pasado del yacimiento. Los resultados del modelo son comparados con los valores
observados, de manera que, si las diferencias entre estas magnitudes son
aceptables y la descripción del yacimiento es razonable entonces el modelo es válido
y se dice que está calibrado.
Caso 2.- Problema de Diseño.
El diseño de un pozo envuelve muchas variables, donde es determinante el

correcto manejo de las controlables para establecer las que proporcionen el mayor
beneficio en términos del índice del desempeño considerado. Las principales
variables controlables se pueden definir fácilmente, determinando mediante el
análisis de la influencia el aporte al modelo. Esto facilita el establecimiento de las
variables según los beneficios que se desean.
Caso 3.- Problema de Operación.
La operación del sistema de producción envuelve el caso más sencillo de

analizar, debido a que el número de parámetros controlables es menor. Éste
proceso consiste en obtener la producción a una tasa determinada mientras el daño
en el pozo no interfiera con el objetivo. De manera, que éste se basa en calcular el
aporte de cada uno al modelo para determinar cual es determinante para manejar el
modelo.
11
Capítulo III.- Revisión Bibliográfica
CAPÍTULO III
REVISIÓN
BIBLIOGRÁFICA
ðModelo OI2S.
ðModelo sustituto del

OI2S.
ðAnálisis de la
influencia relativa.
12
La revisión bibliográfica comprende: la información general acerca del modelo

OI2S (e.g. propiedades, aspectos básicos, algoritmo de trabajo, entre otras).
Información general a cerca de las redes neuronales y su pertinencia como modelo
sustituto. Y finalmente, lo referente al análisis de la influencia de las variables,
basándose en los principios del Análisis de Varianza (ANOVA) extendido a variables
continuas.
Las propiedades del yacimiento son provistas en diferentes publicaciones,

aportando ecuaciones empíricas para realizar los cálculos de manera matemática.
En la Tabla 3.1 se presenta cada uno de los autores y la propiedad que desarrolla.
Tabla 3.1. Propiedades del Yacimiento
AUTOR(ES) PROPIEDAD(ES)
Vásquez y Beggs[1] − Gravedad Específica del Petróleo a la Presión
del Separador, (γgs).
− Tasa de gas en solución, (Rs).
− Factor de Formación de Volumen del petróleo,
(Bo).
− Viscosidad del Petróleo para presiones
superiores a la Presión de Burbujeo (µo).
Beggs y Robinson[2] − Viscosidad muerta del Petróleo, (µod).
− Viscosidad del Petróleo, para presiones hasta la
Presión de Burbujeo, (µo).
Sutton[3] − Factor de Compresibilidad, (Z).
Smith[4] − Factor de Formación de Volumen del gas, (Bg).
Lee, González y Eakin[5] − Viscosidad del Gas, (µg).
Economides, Hill y Ehlig-Economides[6] (1994) plantean una explicación completa

de los escenarios claves en la ingeniería de producción de petróleo, sintetizando el
comportamiento del yacimiento y del pozo al hacer énfasis en las consideraciones de
fondo. La exposición clara de las características básicas para el desarrollo del
modelo OI2S (e.g. yacimiento, tasas de producción, flujo en tuberías, válvula de
estrangulamiento, etc.) permiten entender fácilmente los componentes del sistema.
13
Carroll y Horne[7] (1990) en su tesis de maestría, “Multivariate Optimization of

Production Systems”, presentan un modelo con componentes que pueden
desarrollarse como una herramienta computacional para generar un sistema de
producción de petróleo. Para cada componente presentan ecuaciones matemáticas
y restricciones operacionales bajo las cuales pueden ser aplicadas, facilitando la
programación y, basándose en trabajos o investigaciones previas en diversas áreas
relacionadas con la producción de petróleo (e.g. válvulas, flujo multifásico,
yacimientos, etc.). Por otra parte, se realiza una optimización multivariante del
modelo, explicando las ventajas de un proceso no lineal y los diferentes métodos
aplicados. El estudio intenta el desarrollo de un modelo del pozo que determine su
beneficio económico, optimizándolo con técnicas de múltiples variables. El propósito
es demostrar que las técnicas de optimización multivariante pueden ser aplicadas
exitosamente en sistemas de producción.
El Instituto de Cálculo Aplicado[8] ha desarrollado un manual asociado al manejo

del modelo Optimización Integrada Subsuelo-Superficie”. Se dirige a romper
paradigmas de los profesionales que participan en el diseño de soluciones de
automatización en ambientes de Exploración y Producción. Éste representa una
herramienta de ayuda para conocer los conceptos básicos, la aplicación de un
sistema integrado, los retos y oportunidades que ésta emergente área ofrece. Su
estructura consiste, entre otros, en: conceptos básicos; un modelo de OI2S del
sistema área de drenaje, pozo e infraestructura de superficie; aplicaciones de la
medición de variables en subsuelo y superficie en la calibración de modelos del
sistema; criterios y algoritmos para la optimización del diseño y operación del
sistema. Los objetivos pretenden la comprensión de los conceptos básicos del
modelo, además de identificar sus componentes al conocer los procesos asociados.
La segunda etapa de la revisión bibliográfica se inicia con el estudio de modelos

sustitutos para el modelo OI2S, con la intención de facilitar el desarrollo del análisis
de varianza. Las redes neuronales representan un método actual y eficiente para
obtener modelos sustitutos, expuesto por Fausett[9] (1994), presentándose una
14
amplia variedad de redes neuronales estándares, con los diagramas de las

arquitecturas, algoritmos de entrenamiento detallados, y muchos ejemplos de
aplicación. Se hace énfasis en las características computacionales, más que las
interpretaciones psicológicas.
Queipo, Canelón y Guevara[10] (2000) presentan un manual encargado de brindar

los fundamentos de Ingeniería de Petróleo y tecnologías de Computación
Emergente, permitiendo ampliar el campo del conocimiento en estas dos importantes
áreas. Específicamente, el capítulo III: Redes Neuronales, expone una descripción
de los fundamentos de las redes y su aplicación en la solución de Ingeniería de
Petróleo. Los objetivos se basan en el desarrollo de habilidades para determinar el
uso de las redes neuronales como alternativa para resolver determinados problemas,
plantear la solución utilizándolas, y evaluar su desempeño.
Hagan y Menhaj[11] (1994) desarrollan un estudio sobre el entrenamiento de

redes hacia delante con el algoritmo Marquardt para mínimos cuadrados no lineales,
incorporándolo al algoritmo de retropropagación para el entrenamiento de redes
neuronales hacia delante. Las pruebas del algoritmo se realizan con varios
problemas de aproximación de funciones, comparándolo con un algoritmo de
gradiente conjugado y un algoritmo con una tasa de aprendizaje variable. Se
concluye que el algoritmo Marquardt es mucho más eficiente que cualquiera de las
otras técnicas cuando la red posee no más que algunos cientos de pesos.
La última etapa de la revisión bibliográfica comprende todo lo relacionado con el

desarrollo del ANOVA, estudiando varias fuentes bibliográficas. La publicación de
Jones, Schonlau y Welch[12] (1998), plantea los principios del análisis de la influencia
relativa extendida a variables continuas, explicando los principios básicos para el
entendimiento del algoritmo de trabajo, y expone una manera de entender el proceso
por medio de superficies, sección denominada por el autor como Visualización
(Visualization).
15
El texto Probabilidad y Estadística para Ingeniería y Ciencias, escrito por

Mendenhall y Sincich[13], está desarrollado como un curso introductorio para
estudiantes de Ingeniería o cualquiera de las ciencias físicas. El propósito es
permitir la adquisición de inferencia estadística, exponiendo algunos de los métodos
más comunes. Entre las características resaltan: la combinación de teoría y
aplicaciones (prácticas y computacionales) con instrucciones; ejercicios aplicados
extraídos de publicaciones científicas y ejercicios teóricos; realzado de conceptos,
entre otras. El capítulo 14: Análisis de varianza para experimentos diseñados,
presenta un método de análisis con múltiples variables, permitiendo además la
identificación de las características que dicho método tiene en común con el análisis
de regresión. Entre los temas que se tratan están: Terminología del diseño del
experimento, control de la información, selección del tamaño de la muestra,
justificación del análisis de varianza, entre otros.
16
Capítulo IV.- Marco Teórico
CAPÍTULO IV
ð Modelo OI2S.
MARCO TEÓRICO
- Yacimiento.
- Flujo en Tuberías.
- Estrangulador de
Superficie.
- Separador.
- Modelo económico.
ð Modelo sustituto del

OI2S.
- Arquitectura multi-
capa hacia delante.
- Algoritmos de
aprendizaje.
ð Análisis de la
17
El desarrollo de la investigación se secciona en tres partes. La primera

comprende el modelo OI2S, que representa una herramienta computacional para
simular el comportamiento de un sistema de producción de petróleo a nivel de
subsuelo y superficie.
La segunda parte del estudio permite obtener los principios para el desarrollo de
un modelo sustituto del OI2S, facilitando el análisis de las variables. Se exponen así
los principios de las redes neuronales, algoritmos de solución que permiten generar
los modelos sustitutos a partir del original.
Por último, la tercera parte está integrada por los principios del Análisis de
Varianza (ANOVA) extendida a variables continuas, que permite desarrollar el
análisis de la influencia relativa de las variables del modelo.
4.1.- MODELO DE OPTIMIZACIÓN INTEGRADA SUBSUELO - SUPERFICIE

(OI2S). (Queipo et al[8]. Copyright 2000)
La producción de petróleo involucra dos sistemas completamente distintos, pero

con una relación muy estrecha que permite lograr la explotación como se realiza en
la actualidad. El sistema subsuelo, compuesto por el yacimiento o área de drenaje,
representa un medio poroso con características específicas en su sistema de
presiones, sirviendo como recurso de almacenamiento para el petróleo. El sistema
de superficie consiste en una serie de estructuras artificiales (pozo, válvula de
estrangulamiento, líneas de tuberías, equipos de separación, equipos de
almacenamiento, entre otros) que permiten el manejo y procesamiento del crudo
para llevarlo hasta la superficie y almacenarlo para su comercialización.
Es la representación matemática de un sistema de producción – área de drenaje,

pozo e instalaciones de superficie. Éste incluye específicamente modelos de
yacimiento, flujo multifásico en tuberías, estrangulador, separador y aspectos
económicos (Ver Figura 4.1).
126 18
Sistema de Producción
Modelo de OI2S
Modelo del Modelo de Tubería Modelo del Modelo
Estrangulador Horizontal Separador Económico
Modelo de Tubería
Vertical
Modelo del
Yacimiento
Figura 4.1 - Representación del sistema de producción en términos del modelo de OI2S.
El modelo permite evaluar diferentes estrategias de explotación del yacimiento

(área de drenaje) en términos de la producción acumulada de petróleo y el valor
presente neto para un horizonte de producción determinado. Además sirve, una vez
calibrado, como herramienta para establecer la influencia de parámetros del sistema
en funciones objetivos establecidas, y la identificación de parámetros óptimos en
etapas de diseño y operación.
126 19
El modelo de OI2S fue desarrollado en el ambiente de Simulink (herramienta de

simulación de sistemas dinámicos perteneciente a Matlab versión 5.3) por el Instituto
de Calculo Aplicado de la Facultad de Ingeniería de la Universidad del Zulia, y se
integra por seis componentes basados en los modelos mencionados (Ver Fig. 4.1). El
primero es el modelo de yacimiento, basado en ecuaciones de balance de
materiales; el segundo corresponde al modelo del pozo o flujo en la tubería vertical;
el tercero a la válvula de estrangulamiento o estrangulador, que se utiliza para
garantizar los parámetros del separador y evitar daños en el yacimiento; el cuarto
componente se basa en el modelo de flujo en tuberías aplicado a tuberías
horizontales; el quinto corresponde al modelo del separador; y por último el modelo
económico, considerando la tasa de interés, el precio del barril y el horizonte de
producción.
MODELO DE YACIMIENTO.
El modelo de yacimiento es la representación matemática del comportamiento

dinámico de los fluidos en el yacimiento en términos de cambios de presión y
saturación.
El modelo está compuesto por un simulador de petróleo negro (Black oil) de

orden cero, basado en la ecuación de conservación de masa para las diferentes
fases. La ecuación de conservación de la masa para una fase relaciona, para un
intervalo de tiempo determinado, la tasa de acumulación de la masa en un volumen,
con la diferencia del flujo de masa que entra y sale del mismo (Ver Figura 4.2). El
modelo matemático empleado para simular el comportamiento del yacimiento, fue
desarrollado originalmente por Borthne en 1986 en el Instituto Noruego de
Tecnología (Carrol, J.A., 1990)[7].
∂m _
+ q = 0 (4.1)
∂t
126 20
q
Figura 4.2 - Ilustración de la ecuación de balance de masa
Pwf
Pwf1
Pwf2
Pwf3
q q q
1 2 3 qo
Figura 4.3 - Ilustración de una curva IPR típica.
Adicionalmente el modelo calcula la presión de fondo fluyente (Pwf) para distintas

tasas de producción de petróleo (Curva IPR; Ver Figura 4.3), mediante la siguiente
expresión:
[ ]
PR
 k RO  ln( re / rw ) − 0 . 75 + S + Dq O
Pwf
∫  µ
O BO

dP = q O
 2 π Kh
(4.2)
donde:
qO : Tasa de producción de petróleo
PR : Presión promedio del yacimiento
K : Permeabilidad absoluta
h : Altura del estrato productivo
re : Radio de drenaje
rw : Radio del pozo
126 21
kRO : Permeabilidad relativa al petróleo

µO : Viscosidad del petróleo
BO : Factor volumétrico de formación de petróleo
S : Factor skin
D : Coeficiente de pseudo – skin causado por la turbulencia
(D ≅ 0 para yacimientos de baja permeabilidad)
Los pasos para el algoritmo de solución, desarrollado para este modelo, se

presentan como:
A. Se establece la presión inicial, la saturación inicial de las fases, la tasa de

producción de petróleo diaria y el paso del tiempo.
B. Se calcula la masa inicial de las fases presentes en el yacimiento (petróleo y

gas).
φS O ρO S 
 V (4.3)
Masa de Petróleo:  BO 
 
φS G ρG S φS O RS ρG S 
 + V (4.4)
Masa de Gas:  BG BO 
 
donde:
V : Volumen del yacimiento
φ : Porosidad
SO : Saturación de la fase de petróleo
SG : Saturación de la fase de gas
BO : Factor volumétrico de formación del petróleo
BG : Factor volumétrico de formación del gas
RS : Relación de la solubilidad gas – petróleo
ρOS : Densidad del petróleo a condiciones estándar
ρGS : Densidad del gas a condiciones estándar
126 22
C. Se determina la producción total de petróleo para el paso de tiempo

establecido (∆t).
∆N P = q O * ∆t (4.5)
D. Se estima la nueva presión del yacimiento.
E. Se estiman las propiedades del hidrocarburo (BO,BG, RS, µO, µG) para la fase
líquida y gaseosa a la nueva presión del yacimiento.
F. Se calcula la nueva saturación del petróleo (nivel de tiempo k), a partir del
cambio de la masa del fluido en el yacimiento.
φS ρ S   φS O ρO S  
V  O O  −    = ∆N P (4.6)
 BO   BO  
 k − 1  k 
donde k representa el nivel de tiempo actual y k-1 el nivel de tiempo anterior.
G. Se calcula la nueva saturación del gas.
S G = 1.0 − ( S O + SW ) (4.7)
H. Se estiman las permeabilidades relativas del petróleo y gas a partir de la

saturación del gas.
k RO = f ( S G )
(4.8a y 4.8b)
k RG = f ( S G )
I. Se actualiza la masa de las fases presentes en el yacimiento (petróleo y gas).
J. Se determina la producción total de gas para el paso de tiempo establecido

(∆t), a partir de la producción de petróleo total, y el promedio de la relación entre las
movilidades de las fases y la relación de solubilidad gas – petróleo.
126 23
1  k RG µ O BO   k RG µ O BO  
∆G P = ∆N P * ρG S 
 + RS 
 + ρG S 
 + RS 
  (4.9)
2
  k RO µ G BG k − 1  k RO µ G BG k 

K. Se calcula el error de balance de masa para la fase de gas y se regresa al

paso D, hasta que el error de balance de masa para la fase de gas sea menor a un
valor preestablecido.
Error = ∆(Masa de Gas )kk − 1 + ∆G P (4.10)
Una vez ejecutada la simulación del modelo de OI2S, el modelo del yacimiento
ofrece:
Ø Tasa de producción de gas.

Ø Declinación de la presión del yacimiento con respecto al tiempo.
Ø La saturación del hidrocarburo en el yacimiento con respecto al tiempo.
Ø Producción acumulada de petróleo y gas.
Ø Curva IPR.
Las propiedades del hidrocarburo son determinadas a partir de la gravedad API y

la presión del yacimiento, partiendo de correlaciones obtenidas por los autores que
se muestran en la Tabla 4.1.
Tabla 4.1 - Correlaciones para las propiedades del petróleo según autores
AUTOR(ES) DE CORRELACIÓN PROPIEDAD

Vázquez y Beggs[1] (1980) Factor volumétrico de formación de
petróleo
Vázquez y Beggs[1] (1980) Viscosidad del petróleo
Beggs y Robinson[2] (1975)
Smith, Tracy y Farrar[4] (1992) Factor volumétrico de formación de
gas
Lee, González, y Eakin[5] (1966) Viscosidad del gas
Sutton[3] (1985) Factor de compresibilidad del gas
126 24
Es importante destacar las suposiciones que se hacen para el modelo de

yacimiento utilizado en el modelo de OI2S:
Ø Yacimiento homogéneo, isotrópico, horizontal y de espesor uniforme.

Ø Modelo de yacimiento de orden cero.
Ø No existe flujo por los bordes.
Ø Modelo de pozo cilíndrico.
Ø Mecanismo de empuje debido al gas en solución.
Ø Relación de gas – petróleo constante a través de todo el yacimiento.
Ø Producción bajo condiciones de estado pseudo – estacionario.
Ø No se consideran efectos, tales como: presión capilar, gravedad y conicidad.
MODELO DE FLUJO EN TUBERÍAS.
Este modelo es utilizado para representar matemáticamente el transporte de

hidrocarburos en el pozo y en la tubería horizontal. Específicamente, utilizando
correlaciones experimentales reportadas en la literatura, estima las caídas de presión
en el sistema debido al transporte de un flujo multifásico desde el fondo del pozo
hasta el separador, en función de las tasas de producción de petróleo y gas y del
ángulo de inclinación de la tubería. Además, el modelo establece la presión de
fondo fluyente necesaria para el transporte de los fluidos a distintas tasas de
producción, y una determinada presión a la entrada del separador (Ver Figura 4.4).
Diferentes tasas de producción de petróleo y gas y ángulo de inclinación de la

tubería, establecen patrones de flujo y caídas de presión que han sido estimadas en
estudios experimentales y se encuentran disponibles en términos de correlaciones.
Nótese que el ángulo de inclinación para una tubería horizontal es θ = 0° , y para una
tubería vertical es θ = 90°. Las Figuras 4.5 y 4.6, presentan los posibles patrones de
flujo multifásico presentes en tuberías horizontales y verticales, respectivamente.
126 25
Pwf
Presión de fondo fluyente

VLP + HP
Tasa de producción de petróleo qoil
Figura 4.4 – Comportamiento típico de la presión de fondo fluyente necesaria para el transporte de fluidos
Figura 4.5 - Patrones de flujo multifásico en una tubería horizontal.
126 26
Figura 4.6 - Patrones de flujo en una tubería vertical.
El algoritmo siguiente corresponde al cálculo de las caídas de presión a lo largo

del sistema de transporte de los hidrocarburos desde el pozo hasta la entrada del
separador.
A. Se establece:
- Tasas de producción de petróleo y gas a condiciones estándar

- Longitud de la tubería horizontal y vertical
- Diámetro de la tubería horizontal y vertical
- Diámetro del estrangulador
- Presión de fondo fluyente
B. Se calcula la presión del cabezal del pozo, mediante el cálculo de las caídas
de presión a lo largo de la tubería vertical desde el fondo del pozo, considerando el
cambio de las propiedades de los fluidos con respecto a la presión.
Pe
qgas Tramo Ps
qoil
126 27
C. Se calcula la presión de salida del estrangulador, a partir de la presión de

entrada (presión del cabezal del pozo) y las tasas de producción de petróleo y gas a
condiciones reales.
D. Se calcula la presión de entrada al separador, mediante el cálculo de las

caídas de presión a lo largo de la tubería horizontal desde la salida del estrangulador,
considerando el cambio de las propiedades de los fluidos con respecto a la presión.
El procedimiento para estimar las caídas de presión en una tubería esta basado
en las correlaciones experimentales presentadas por Beggs y Brill[14] (1973)
aplicables para cualquier ángulo de inclinación de la tubería. El algoritmo de solución
es el siguiente:
a) Dividir la tubería en N tramos.

b) Para el primer tramo de tubería, determinar la presión a la salida Ps del
elemento.
b.1) Suponer una presión a la salida del tramo.
b.2) Calcular las propiedades de las fases empleando la presión promedio
entre la entrada y la salida.
b.3) Corregir las tasas de flujo de petróleo y gas con la presión promedio
calculada.
b.4) Determinar el patrón de flujo.
b.5) Calcular la fracción de líquido.
b.6) Calcular el gradiente de presión y obtener la presión de salida en el
tramo.
b.7) Repetir los pasos B.1 al B.6 hasta que la presión calculada en B.6 sea
igual a la presión supuesta en B.1.
c) Repetir el paso B para los N-1 tramos de tubería sucesivos.
1 2 3 - - N
126 28
El modelo de flujo en tuberías se divide en cuatro componentes, que se

enumeran como sigue:
a) Condiciones de Operación.
b) Modelo de flujo en tubería vertical (VLP).
c) Modelo del Estrangulador de Superficie.
d) Modelo de flujo en tubería horizontal (HP).
El modelo de flujo en tuberías estima:
Ø Presión a lo largo del sistema de tuberías.

Ø Patrón de flujo a lo largo del sistema de tuberías.
Ø Tasa de producción de petróleo a lo largo del sistema de tuberías.
Ø Tasa de producción de gas a lo largo del sistema de tuberías.
a) Condiciones de Operación.
Las condiciones de operación del sistema de transporte tales como, tasa diaria
de producción de petróleo y gas, presión a la entrada del separador, y las
propiedades de los fluidos en el yacimiento tales como gravedad API y presión de
fondo fluyente son introducidas como datos de entrada en este componente.
Además, se puede establecer el sentido para calcular las caídas de presión a lo largo
del sistema de tuberías, considerando si se comienza a partir de las condiciones del
flujo en el fondo del pozo hasta la entrada del separador (hacia delante), o viceversa
(hacia atrás).
b) Modelo de flujo en tubería vertical (VLP).
Las características de la tubería vertical, tales como: diámetro interno y longitud

son introducidos como datos de entrada en el modelo.
126 29
El modelo estima la presión en el cabezal de pozo a partir de las propiedades de

los fluidos, las tasas de producción de petróleo y gas, y la presión de fondo fluyente.
Suposiciones.
Ø Se utiliza una densidad promedio de las fases.
c) Modelo del estrangulador de superficie
El valor correspondiente al diámetro del estrangulador se introduce dato de

entrada a este modelo, al que se hace una explicación detallada más adelante.
El modelo del estrangulador estima:
Ø La presión a la salida del estrangulador.
Suposiciones.
Ø Flujo unidimensional.
Ø Velocidades de la fase iguales en la garganta.
Ø Calidad de la mezcla constante para procesos de alta velocidad (No existe
transferencia de masa entre las fases).
Ø Fase líquida incompresible.
d) Modelo de flujo en tubería horizontal (HP).
Las características de la tubería horizontal, tales como: diámetro interno y

longitud son introducidos como datos de entrada en el modelo.
126 30
El modelo estima la presión en el separador a partir de las propiedades de los

fluidos, las tasas de producción de petróleo y gas, y la presión aguas abajo del
estrangulador.
Suposiciones.
Ø Se utiliza una densidad promedio de las fases.
MODELO DEL ESTRANGULADOR DE SUPERFICIE.
Un estrangulador de superficie es un dispositivo empleado para restringir y

controlar la tasa de flujo en una línea, durante una prueba o durante la producción.
Prácticamente todos los pozos utilizan alguna forma de restricción para regular la
tasa de flujo. Generalmente, un estrangulador de superficie es colocado
inmediatamente después del cabezal del pozo. Existen dos tipos de estranguladores:
positivos y ajustables.
En la Figura 4.7 se muestra un estrangulador de superficie (positivo), para el cual

el flujo es forzado a circular por una restricción, ocasionando una caída de presión
entre la entrada y la salida.
Los estranguladores son utilizados en la industria petrolera para:
Ø Proteger los equipos de proceso de superficie de fluctuaciones de presión.

Ø Controlar la tasa de flujo de los pozos.
Ø Proveer la presión necesaria de respaldo al yacimiento para evitar daño en la
formación y prevenir la entrada de arena al pozo.
Ø Mantener presión estable aguas abajo del estrangulador y amortiguar grandes
fluctuaciones de la presión.
126 31
Para el propósito de modelado, el estrangulador de superficie (wellhead choke)

puede ser tratado como una restricción en la tubería. Estos dispositivos pueden
producir dos modos de flujo: crítico y subcrítico.
Figura 4.7 - Estrangulador de Superficie tipo positivo.
Para flujo crítico, la tasa de flujo a través del estrangulador alcanza un valor
máximo con respecto a las condiciones aguas arriba y los fluidos a través del
dispositivo igualan la velocidad del sonido. Esto implica que el flujo se encuentra
“estrangulado” y que las perturbaciones aguas arriba no se propagan aguas abajo; lo
opuesto también es cierto.
126 32
Para flujo subcrítico, la velocidad del fluido a través del estrangulador es menor a
la velocidad del sonido, y la tasa de flujo depende de la caída de presión en el
dispositivo y los cambios en la presión aguas arriba afectan la presión aguas abajo.
El modelo matemático empleado para simular el comportamiento del

estrangulador, fue desarrollado por Sachdeva[15], et al. (1986), según el
procedimiento de solución que se muestra a continuación.
A. Se realiza la conversión de las tasas de flujo que entran al estrangulador, de

condiciones estándar a condiciones reales de presión y temperatura.
Esto se logra calculando las propiedades de los fluidos que entran al

estrangulador a las condiciones de operación. Las propiedades a calcular son la
densidad (ρL y ρG), la relación de la solubilidad gas – petróleo (Rs) y los factores
volumétricos de la formación para líquido (Bo) y gas (BG).
La tasa de gas a condiciones reales es:
QG = (QG , sc − QL , sc ⋅Rs )BG (4.11)
La tasa de líquido a condiciones reales es:
QL = QL ,sc ⋅Bo (4.12)
B. Obtener el valor de la relación crítica de presiones
Se obtiene iterando para conseguir el valor de la relación crítica de presiones

(YC=P2/P1), en la siguiente ecuación:
126 33
k
 k (1 − x )⋅V L ⋅(1 − YC ) k − 1
 + 
 k− 1 x ⋅VG1 
YC =  2
(4.13)
 k n n ⋅(1 − x )⋅V L n (1 − x )⋅V L  
k − 1 + 2 + x ⋅ V
+ ⋅ 
2  x ⋅VG 2  
 G 2 
donde,
k : Relación de calores específicos, Cp/Cv
n : Exponente politrópico para gas.
VL : Volumen específico de líquido, ft3/lbm
VG1 : Volumen específico de gas a la entrada, ft3/lbm
VG2 : Volumen específico de gas a la salida, ft3/lbm
x : Calidad del gas libre.
YC : relación de presiones crítica, salida sobre entrada, y
1
−
VG 2 = VG1 ⋅YC k
(4.14)
C. Determinar el flujo de masa crítico

Se utiliza la relación de presiones crítica para determinar el flujo de masa
crítico:
(1 − x )⋅(1 − YC ) x ⋅k
0.5
 
GC = C D ⋅2 ⋅gc ⋅144 ⋅P1 ⋅ρ m2 2 ⋅ + ⋅(VG1 − YC ⋅VG 2 ) (4.15)
  ρL k− 1 
−1
=
−
k + (1 − x )⋅V
1

ρm 2 x ⋅V ⋅Y L (4.16)
 
G 1 C
donde:
CD : Coeficiente de descarga, CD = 0.75
GC : Flujo de masa crítico, lbm / ft 2 ⋅sg
P1 : Presión a la entrada, psia.
ρm2 : Densidad de la mezcla en la salida, lbm/ft3
ρL : Densidad de líquido, lbm/ft3
126 34
D. Determinar el flujo de masa a las condiciones aguas arriba del estrangulador
ρG ⋅QG + ρ L ⋅QL
G1 = (4.17)
π ⋅DCH
2
4
donde:
DCH : Diámetro del estrangulador, ft.
G1 : Flujo de masa en la entrada, lbm / ft 2 ⋅sg
QG : Flujo volumétrico de gas, ft3/sg
QL : Flujo volumétrico de líquido, ft3/sg
ρG : Densidad de gas, lbm/ft3
E. Comparar los flujos de masa en B y C
Se compara el flujo de masa aguas arriba con el flujo de masa crítico. Si el flujo
de masa a la entrada es mayor que el flujo de masa crítico, G1 ≥ GC , entonces
estamos en la región de flujo crítico y la máxima presión aguas arriba es:
P2 = YC ⋅P1 (4.18)
Si el flujo de masa calculado es menor que el flujo de masa crítico, G1 < GC ,

entonces estamos en la región de flujo subcrítico. La presión a la salida del
estrangulador se puede encontrar obteniendo la raíz (el valor de Ys) de la expresión:
G1 − G2 = 0 (4.19)
(1 − x )⋅(1 − YS ) x ⋅k
0.5
 
G 2 = C D ⋅2 ⋅gc ⋅144 ⋅P1 ⋅ρm2 2 ⋅ + ⋅(VG1 − YS ⋅V G 2 ) (4.20)
  ρL k− 1 
donde:
CD : Coeficiente de descarga, CD = 0.75
gc : constante gravitacional, 32.2 lbm ⋅ ft lbf ⋅sg 2
G2 : Flujo de masa en la salida, lbm / ft 2 ⋅sg
126 35
k : Relación de calores específicos, Cp/Cv

P1 : Presión en la entrada, psia
VG : Volumen específico del gas (1: entrada, 2: salida) , ft3/lbm
x : Calidad del gas libre.
YS : relación de presiones subcrítica.
La expresión G1 – G2 es una función parabólica como se ilustra en la figura 4.8.

La raíz que estamos buscando está entre el intervalo de {YC < Ys < 1.0}. Cuando se
calcula la raíz, la relación de presiones real es conocida, y la presión a la salida del
estrangulador se obtiene de:
P2 = YS ⋅P1 (4.21)
Figura 4.8 - Raíces verdaderas y falsas del flujo másico residual
126 36
El modelo del estrangulador estima:
Ø La presión a la salida del estrangulador.
Suposiciones.
Ø Flujo unidimensional.
Ø Velocidades de la fase iguales en la garganta.
Ø Calidad de la mezcla constante para procesos de alta velocidad
(No existe transferencia de masa entre las fases).
Ø Fase líquida incompresible.
MODELO DEL SEPARADOR.
Un separador es un equipo que emplea la fuerza gravitacional y/o centrífuga para

separar las fases de petróleo, agua y gas presentes en una línea de producción.
Éstas deben ser separadas para su almacenamiento o para su despacho al mercado.
La disposición de los separadores puede ser vertical u horizontal y pueden
clasificarse de acuerdo al número de fases a separar en: separadores bifásicos y
trifásicos. Además pueden incorporar una o múltiples etapas de separación. La
ventaja de un proceso de separación con múltiples etapas, es que la recuperación de
la fracción de líquido se puede maximizar al aumentar el número de separadores
entre el cabezal del pozo y el tanque de almacenamiento, ya que el proceso de
liberación se transforma de un proceso flash a uno de liberación diferencial.
El modelo del separador es la representación matemática de un proceso de

separación flash o liberación en equilibrio. El modelo toma como entrada la
composición de un hidrocarburo (mezcla líquido - gas) y tiene como salida las
fracciones de líquido y gas, la composición a la temperatura y presión del separador
(Carrol[7], J. A. , 1990).
126 37
Como se ilustra en la Figura 4.9, los separadores comúnmente tienen un

dispositivo que desvía el flujo a la entrada para iniciar la separación y un extractor de
neblina en la salida del gas. El intervalo de las presiones normales de operación es
de 25 – 150 psi.
El proceso de separación es un proceso continuo a presión constante, logrado

mediante el control del flujo de petróleo y gas que sale del separador. Dependiendo
de la composición del hidrocarburo y las condiciones de operación del separador
(presión y temperatura) puede existir transferencia de masa entre las fases.
Se simula a través de los cálculos de fase, que tienen como datos de entrada la
composición de la mezcla, la presión y temperatura de operación del separador, y
como resultado, el número de fases presentes, las relaciones de equilibrio de las
fases resultantes, y la composición de cada fase (Abhvani & Beaumont[16], 1987;
Henly[17], 1981; Nghiem et al.[18], 1983).
Figura 4.9 - Representación esquemática de un separador.
126 38
El procedimiento para realizar los cálculos de fase es iterativo y converge cuando

la fugacidad de cada componente es la misma para ambas fases, tal como se
muestra a continuación:
A. Estimar la composición de las fases gas y líquido a la presión y temperatura

del separador, estimando las relaciones de equilibrio para cada componente
(Ecuación de Wilson), y la fracciones de cada fase (Rachford-Rice). La relación de
equilibrio (Ki) es la relación entre la fracción molar de gas (Yi) y la fracción molar de
líquido (Xi) de un componente dado,
Yi
Ki = (4.22)
Xi
A.1 Para una primera estimación de las relaciones de equilibrio se utiliza una
correlación empírica, la ecuación de Wilson (1962),
  1 
exp 5.37(1 + ω i )
 T 
1 − 
  ri 
Ki = (4.23)
Pri
donde,
ω i : Factor acéntrico del componente i, (Pitzer et al.[20], 1955).
P
Pri : Presión reducida del componente i, Pri = , Pci : Presión crítica.
Pci
T
Tri : Temperatura reducida del componente i, Tri = , Tci : Temperatura
Tci
crítica.
A.2 La ecuación de Rachford-Rice expresada en función de la fracción de gas

(V) es,
126 39
Z i (K i − 1)
g (V )= ∑ (Yi − X i )= ∑
n n
=0 (4.24)
i =1 i =1 1 + V (K i − 1)
la ecuación de Rachford-Rice expresada en función de la fracción de líquido (L) es,
Z i (1 − K i )
f (L )= ∑
n
=0 (4.25)
i =1 L + (1 − L )K i
Se evalúa la ecuación de Rachford-Rice, para valores de la fracción de gas de

V=0 y V=1, para determinar las fases que resultarán de la separación. Si g(0) < 0
(solo líquido) o g(1) > 0 (solo gas), la fracción de gas V se fija igual a 0.5 en la
primera iteración. En iteraciones subsecuentes, si g(0) < 0, V=0, y si g(1)>0,
entonces V=1.
Si g(0) > 0 y g(1) < 0 existirán dos fases (líquido y gas). Utilizando el método de
Newton-Raphson para resolver la ecuación de Rachford-Rice, se determina el valor
de la fracción de líquido (L) de la siguiente manera,
f ( Lk )
Lk + 1 = Lk − (4.26)
∂f
∂L Lk
la convergencia se logra cuando se cumplen las siguientes condiciones:
(
1. abs Lk + 1 − Lk < ε) (4.27)
( )
2. f Lk + 1 < ε (4.28)
donde ε es una pequeña tolerancia.
Luego la fracción de gas se determina como sigue,
V = 1− L (4.29)
A.3 Se determinan las composiciones de las fases líquido y gas calculando las
fracciones molares de cada componente en cada fase,
126 40
Zi
Xi = , i = 1...n (4.30)
[1 + V (K i − 1)]
Fracción molar en fase líquido del componente i.
K i ⋅Z i
Yi = , i = 1...n (4.31)
[1 + V (K i − 1)]
Fracción molar en fase gas del componente i.
B. Se calculan los parámetros de la ecuación de estado de Soave – Redlich –

Kwong (SRK) a partir de presiones y temperaturas críticas de cada componente
(a,b,α).
Ecuación de estado SRK,

R ⋅T a ⋅α
P= − (4.32)
v − b v(v + b )
donde
P : Presión
T : Temperatura
R : Constante universal de los gases
v : Volumen específico molar
R ⋅Tci R 2 ⋅Tci2
bi = 0.08664 ai = 0.42747 (4.33) y (4.34)
Pci Pci
[ (
α i = 1 + mi 1 − Tri
0.5
)]
2
mi = 0.48 + 1.574ω i − 0.176ω i
2
(4.35) y (4.36)
Reglas para establecer los parámetros de la mezcla:
(aα )ij = (1 − k ij )(aα )i (aα )j

n
bm = ∑ X i ⋅bi
0.5 0.5
(4.37) y (4.38)
i =1
donde kij son los parámetros de interacción binaria, estos parámetros cuando todos
los componentes son hidrocarburos, son iguales a cero.
126 41
(aα )m = ∑ ∑ X i ⋅X j (aα )ij (4.39)

i j
Si todos los kij son cero:

2
(aα )m = ∑ X i (aα )i0.5  (4.40)
i 
La ecuación de estado SRK se expresa en forma cúbica, como sigue
( )
z 3 − z 2 + A − B − B 2 z − A ⋅B = 0 (4.41)
donde z es el factor de compresibilidad, A y B son iguales a:
(aα )m P
A= (4.42)
R 2 ⋅T 2
bm ⋅P
B= (4.43)
R ⋅T
C. Se resuelve la ecuación de estado, para conseguir los factores de

compresibilidad para cada fase.
Se determina el factor de compresibilidad de las fases líquido y gas, hallando las

raíces de la ecuación de estado; para la fase gas el factor de compresibilidad esta
dado por la raíz mayor, en la fase líquido el factor de compresibilidad está dado por
la raíz menor positiva.
D. Se determinan las fugacidades parciales de cada componente, en cada fase.
El coeficiente de fugacidad esta dado por la siguiente ecuación,
  (aα )i  2 
1
A  bi
ln φi = ( z − 1)− Ln ( z − B )+  − 2
bi
 Ln1 + B 
    (4.44)
bm B bm  (aα )m    z 
 
las fugacidades parciales están dadas por,
126 42
f i = X i⋅φi ⋅P (4.45)
E. Si el valor de la relación de las fugacidades parciales de cada componente es

uno, se ha alcanzado el equilibrio entre las dos fases.
Se asume que el procedimiento converge cuando,
2
f 
∑  i ,L − 1 < ε (4.46)
i  f i ,V 
donde ε es una pequeña tolerancia.
Si el criterio de convergencia no se cumple, se realiza una nueva estimación de

los valores de la relación de equilibrio, y se procede nuevamente desde el punto A.
Los nuevos valores de la relación de equilibrio se estiman como sigue,
φi ,L
Ki = (4.47)
φi ,V
Un diagrama de flujo correspondiente al cálculo de fases (flash equilibria) se

encuentra en la Figura 4.10.
MODELO ECONÓMICO.
Este modelo representa la rentabilidad del proceso de producción de petróleo, y

estima las ganancias obtenidas a lo largo de un período de tiempo determinado,
considerando los ingresos y costos involucrados (Veatch, R.[19], 1986).
Específicamente, este modelo calcula el valor presente neto de las ganancias VPN
como el valor presente de los ingresos (VPIng) menos el valor presente de los costos
(VPCost).
126 43
Figura 4.10 - Diagrama de flujo del cálculo de fases
INICIO
Datos de entrada:
• Presión de operación del separador
• Temperatura de operación del separador
• Composición de la mezcla.
Primera aproximación de la relación

de equilibrio utilizando la ecuación de
Wilson (1962)
Se evalúa la ecuación de Rachford-

Rice para V = 0 y V = 1
Solo Líquido
Si Para k = 1 :
g(0) < 0 V = 0.5 , L = 0.5
Para k > 1 :
V = 0 , L = 1.0
No
Solo Gas
Si Para k = 1 :
g(1) > 0 V =0.5 , L = 0.5
Para k > 1 :
V = 1.0 , L = 0
No
Dos Fases (Líquido y Gas)

g(0) > 0 y g(1) < 0. Utilizando el método de
Newton-Raphson para resolver la ecuación de
Rachford-Rice, y determinar el valor de la fracción
de líquido (L).
β α
126 44
β α
Se determinan las composiciones de las fases líquido y

gas calculando las fracciones molares de cada
componente en la fase líquido (Xi) y gas (Y i)
Se calculan los parámetros de la

ecuación de estado de Soave –
Redlich – Kwong.
Se resuelve la ecuación de estado,

para conseguir los factores de
compresibilidad para cada fase.
Se determinan las fugacidades

parciales de cada componente, en la
fase líquido (fiL) y gas (fiV)
Criterio de
Convergencia
φ
2
f 
Ki = i ,L No
∑  i,L − 1 < ε
φi ,V i  fi ,V 
Fin
126 45
El VPIng refleja el valor presente de ingresos asociados con el valor en el

mercado de los hidrocarburos producidos. El VPCost se calcula como el valor presente
del costo total requerido para mantener el pozo en producción durante el período de
tiempo considerado. Este costo se expresa como la suma del costo de operación
más el costo de impuestos. Los costos operacionales son costos asociados a
la operación y mantenimiento del pozo durante el período en producción. Los costos
debido al pago de impuestos son estimados sobre la base del valor presente de los
ingresos, y el régimen de impuestos vigente.
El algoritmo de solución para el modelo económico se presenta como,
A. Calculo del Valor Presente del Ingreso.
El valor presente del ingreso se determina a través de la siguiente expresión:
[ ]
n
VPIng = ∑ VPIng i -1 + ∆COPi ⋅S ⋅D n (4.48)
i =2
donde, VPIng es el valor presente de los ingresos, ∆COPi representa el incremento de

la producción acumulada de petróleo para el i-esimo período de producción, n es el
número total de períodos de composición sobre los cuales la tasa de interés se
aplica, S es el precio del Barril de Petróleo y D es el factor de descuento. Este factor
de descuento es calculado mediante la siguiente expresión:
1 (4.49)
D=
 ia 
1+ 
n 

 a 
donde ia es la tasa interés y na es el número de períodos de composición por año.
B. Calculo del Valor presente de los Costos.
El valor presente de los costos VPCost se calcula con la siguiente ecuación:
126 46
VPCost = VPCOper + VPCImp (4.50)
donde VPCoper y VPCimp son los costos operacionales y de impuestos,

respectivamente.
B.1. Calculo del Valor Presente de los Costos Operacionales.
Estos costos usualmente tienen un valor preestablecido anualmente. El aumento

de VPCoper se determina basándose en una tasa de incremento fija por año (IncOp) a
través de la siguiente expresión:
∑ (VP )
n
VPCOper = COper1 + COper i ⋅IncOp ⋅D n (4.51)
i =2
donde COper1 es el costo de operación del primer año.
B.2. Calculo del Valor Presente de los Costos por Impuestos.
El valor presente de los costos debido al pago de impuestos son estimados a

través de la siguiente expresión:
VPCImp = VPIng ⋅Imp (4.52)
donde Imp es la tasa impositiva por barril de petróleo producido.
C. Calculo del Valor Presente Neto.
Finalmente, el VPN se determina a través de la siguiente expresión:
VPN = VPIng - VPCost (4.53)
Los parámetros económicos, tales como: número de períodos de composición

por año, tasa de interés anual, precio del barril de petróleo, horizonte de producción y
126 47
tasa diaria de producción de petróleo, son introducidos como datos de entrada en el

simulador del modelo económico.
Suposiciones.
Se calcula solo el valor presente de los ingresos (i.e. no se consideran los costos
en el proceso de producción).
4. 2.- MODELO SUSTITUTO DEL OI2S.
El modelo sustituto se encarga de reproducir un modelo complejo, aproximando

la repuesta según se establezca. Así, permitirá desarrollar las evaluaciones de
manera más rápida, garantizando resultados semejantes a los que se pudieran
obtener del modelo original.
Para facilitar el análisis de las variables del modelo se utilizan las redes
neuronales, que permiten imitar el sistema de una manera muy aproximada. Una
vez entrenadas las redes, el calculo de la influencia de las variables que intervienen
en el modelo se hace mucho más sencillo.
Con el nacimiento del campo de la neurocomputación y el desarrollo reciente de

diversos modelos de redes neuronales, se han ofrecido nuevos enfoques para
abordar problemas que no se puedan manejar con métodos analíticos
convencionales, en determinadas aplicaciones. Las Redes Neuronales (RN) poseen
la capacidad de aproximar cualquier proceso, sin importar su complejidad, con una
precisión arbitraria. Su utilización ha resuelto exitosamente diferentes tareas, como:
la aproximación de procesos complejos, el reconocimiento de patrones y clasificación
de data, superando a los correspondientes tratamientos clásicos. Son variados los
autores que han trabajado con este tema, destacándose: McCulloch y Pitts (1943),
Regla de Aprendizaje de Hebb (1949), El Perceptrón de Rosenblatt (1969),
Limitaciones del Perceptrón de Minsky y Papert (1982), Algoritmo de
retropropagación de Werbos, Rummelhart, Hinton y Williams (1985 y 1986).
126 48
Los procesos tratados con redes neuronales pueden ser complejos por: un alto
número de variables, incertidumbre en sus valores, complejas relaciones entre ellas,
o no resultar práctico construir modelos basados en ecuaciones diferenciales o
algebraicas. Entre sus aplicaciones podemos contar con la solución de problemas
para tareas como: la aproximación de procesos a partir de datos y/o conocimientos, o
el análisis de data compleja y reconocimiento de patrones.
La red neuronal se puede definir totalmente especificando: la arquitectura que se

va a utilizar, donde se define el número de neuronas y como se conectan para
cumplir una función determinada; la función de transferencia a utilizar, es decir, como
se calcula el valor de la salida de la red, a partir de los valores de entrada; y el
algoritmo de entrenamiento o aprendizaje, que define el ajuste de los pesos durante
el proceso de entrenamiento, dividiéndose en supervisados, para los que se conoce
el valor deseado a la salida de la red, y los no supervisados, buscando encontrar
características de la data que permitan clasificarlos.
Los modelos dependen de las definiciones expuestas, presentándose como uno

de mayor aplicación la red perceptrónica multicapa.
Arquitectura multicapa hacia adelante.

La Figura 4.11 muestra la arquitectura de una red neuronal multicapa hacia
adelante con N entradas y n salidas. Se compone de varias unidades de
procesamiento o neuronas organizadas en capas sucesivas. La red está
“interconectada”, como consecuencia de la distribución de la salida de cada neurona
a todas las neuronas de la capa siguiente.
La primera capa denominada capa de entrada está compuesta por unidades que
no desarrollan ningún procesamiento de la información, simplemente distribuyen las
entradas Ii a todas las neuronas en la próxima capa. La ultima capa es la capa de
salida. Entre las capas de salida y entrada pueden existir varias capas denominadas
126 49
intermedias o escondidas. Para simplificar la explicación, la red neuronal de la

Figura 4.11 solo tiene una capa intermedia.
1
I1 O1[2]
1 1
2
. .
. .
. .
On[2]
IN N1 n
CAPA DE N2 CAPA DE
ENTRADA SALIDA
CAPA ESCONDIDA
Figura 4.11 - Red neural de tres capas
Se puede demostrar que una red neuronal con sólo una capa intermedia de
2N1+1 neurona puede aproximar cualquier función con precisión arbitraria.
Una neurona cualquiera en la capa oculta o en la de salida puede ser

representada como en la figura 4.12. La neurona desarrolla el siguiente calculo, la i-
esima neurona en la j-esima capa recibe N entradas {I1,....,IN} desde la capa j − 1 con
conexiones o pesos asociados {Wi1[ j],......,WiN[ j]}. La neurona primero calcula la suma
pesada de las N entradas:
[ j] N [ j] [ j]
Si = ∑ W I + b (4.48)
ik k i
k =1
donde b
[ j ] es el termino umbral de la neurona. Este término no necesita
i
aparecer explícitamente porque puede ser interpretado como un peso asociado con
una entrada constante uno.
La salida de la neurona es una función de la suma de la ecuación (4.48):
[ j] [ j]
O = σ (S ) (4.49)
i i
126 50
donde σ denota la función de activación.
I1 Wi1[ j ] Oi[ j ]
. .
. Neurona .
. i .
. .
IN
. WiN[ j ] Oi [ j ]
Entradas Salidas
Figura 4.12 - i-esima neurona de la j-esima capa
Las funciones de activación más comunes son:
1
σ ( x) = cuyo recorrido es [0,1] (4.50)
1+ e− x
σ ( x) = tanh( x) cuyo recorrido es [-1,1] (4.51)
Algoritmos de aprendizaje.
El entrenamiento de una red neuronal consiste en conseguir un vector de pesos
W que minimice el error cuadrado medio, en la capa de salida de la red:
N
1
J (W ) = ∑ ~
y i − yi
2
(4.52)
N i =1
donde N es el tamaño de la data de entrenamiento, yi denota la salida actual, y ~

y i es
la predicción de la red. Usando un método de optimización basado en gradiente, la
minimización de (4.52) es alcanzada con la siguiente ley de actualización de pesos:
∆W = − η∇ J (W ) (4.53)
donde η se denomina rata de aprendizaje.
126 51
Para cada patrón de la data de entrenamiento, la ecuación (4.53) puede ser

[ j]
reescrita para cada elemento Wik como:
∆Wik[ j ] = η ⋅δk[ j ] ⋅Oi[ j ] (4.54)
donde δk[ j ] es un término de error que se calcula de manera diferente para unidades
de salida y unidades de la capa oculta.
Para una red neuronal de tres capas con N1 neuronas en la capa de entrada, N2
neuronas en la capa oculta y N3 neuronas en la capa de salida, δi[ j ] es:
δi[ 2] = ( ~
y i − yi )σ ' ( S i[ 2 ] ) para 1 ≤i ≤ N 3 (4.55)
donde el supra-índice 2, se refiere a la capa de salida.
Para cada neurona oculta, el error es calculado como:
[1] [1] N 3 [2] [2]

δi = σ ' ( Si ) ∑ δ W para 1 ≤i ≤ N 2 (4.56)
k =1 k ik
donde σ ' denota la derivada de la función de activación y el supra-índice 1 refiere a

la capa oculta. La actualización de cada peso puede hacerse después de cada
patrón o después de probar todo el conjunto de patrones. En algunos casos, el
proceso de aprendizaje de la red utilizando el algoritmo de retropropagación puede
ser muy lento.
Se han propuesto varias modificaciones a este algoritmo para acelerar dicho

proceso. Han surgido así otras técnicas de aprendizaje, como por ejemplo,
retropropagación con momento y el método de Levenberg - Marquardt.
El algoritmo de retropropagación por momento, es una modificación que, agrega

en la regla de retropropagación un término de momento, que introduce el cambio
126 52
anterior en el peso como un parámetro para calcular el cambio actual. Este termino
evita las oscilaciones que son comunes con el algoritmo de retropropagación, cuando
el área en la que se encuentra el mínimo de la superficie del error es muy angosta.
En este caso, se calcula el cambio en el peso de la unidad j a la unidad i en el

instante t+1, a través de la siguiente ecuación:
∆Wik[ j ] (t + 1) = ηδk[ j ]Oi[ j ] + α∆Wik[ j ] (t ) (4.57)
donde α se denomina coeficiente de momento. El efecto de ésta mejora en el

algoritmo de retropropagación original, es que las áreas de la superficie del error son
atravesadas rápidamente utilizando pasos grandes, mientras que cuando la
superficie se hace irregular, el tamaño del paso disminuye. Esta adaptación del paso
incrementa significativamente la velocidad de aprendizaje.
Por otra parte, el método Levenberg – Marquardt minimiza una función utilizando
de manera combinada el algoritmo de retropropagación y el método de la inversa de
la matriz Hessiana. Se utiliza retropropagación cuando se está alejado del mínimo, y
se cambia al segundo método a medida que la búsqueda se aproxima al mismo. Los
métodos de entrenamiento mencionados utilizan el calculo del gradiente para
minimizar una función de error, por lo que tienden a quedar atrapados en mínimos
locales de la función objetivo.
Básicamente el mínimo alcanzado está sujeto al conjunto de pesos iniciales con

que se inicie el entrenamiento. No existen métodos para seleccionar los pesos
iniciales que conducirán al mínimo global. Por lo general, los pesos iniciales se
generan aleatoriamente, por lo que es conveniente realizar varias sesiones de
entrenamiento sobre la misma red con diferentes pesos iniciales, en forma tal de
comenzar el aprendizaje desde diferentes puntos de la función objetiva y así tener
más posibilidad de alcanzar el mínimo global.
126 53
Una de las mayores ventajas de las redes neuronales es su habilidad para

generalizar. Esto significa que una red entrenada, podría producir buenas
aproximaciones para valores de las variables de entrada que no había visto
anteriormente, es decir, que no estaban incluidas en los datos de entrenamiento.
4.3.- ANÁLISIS DE LA INFLUENCIA RELATIVA DE LAS VARIABLES QUE

PARTICIPAN EN EL MODELO OI2S.
El análisis de varianza (ANOVA) se utiliza como una herramienta para medir la

influencia de parámetros y variables de un modelo, permitiendo para determinados
rangos responder a interrogantes que se plantean en el área de la estadística
conocida como Diseño de Experimentos. ¿Qué variables de entrada al modelo
influyen en la respuesta?, ¿cuál es la influencia relativa de éstas?, ¿cómo influye una
variable en particular en la respuesta?, son las incógnitas que se plantean.
Lo primero es desglosar que variables influyen significativamente en la respuesta

y cuales podrían excluirse, para luego jerarquizar la influencia en la respuesta de las
variables que se tomaron al inicio. Por último, se establece el impacto individual para
cada variable mediante el análisis de la respuesta promedio del modelo para cada
una de éstas.
Responder estas interrogantes permitirá comprender el comportamiento del

modelo, haciendo más eficiente su calibración y posterior uso al momento de realizar
la optimización.
Ante la falta de un modelo explícito, el análisis de varianza postula una relación
entrada/salida sencilla, con una combinación lineal de las variables de entrada y/o
expresiones elementales, más un residual aleatorio, para ofrecer una respuesta.
Entre sus propósitos este método busca descomponer la variabilidad total del modelo
en tres componentes respecto de su media global (m), de las contribuciones
individuales de cada variable, y de una variabilidad residual que refleja posibles
126 54
interacciones, efectos cuadráticos, entre otros, que no son contemplados por los
efectos individuales.
Se presenta también un teorema de descomposición de suma de cuadrados,

resultado fundamental que permite aislar la contribución de cada variable sobre la
variabilidad total, que es válido tanto para modelos determinísticos como para
aleatorios.
En el análisis de varianza clásico se presentan variables de entrada que son

cualitativas o cuantitativas discretas y presentándose únicamente la respuesta como
una variable real. Sin embargo, en la literatura especializada se presentan
extensiones del análisis de varianza a modelos continuos.
Para comprender el significado de estos conceptos es necesario introducir

algunas definiciones.
Asumiendo que el modelo se representa por una función:
F ( x , x ,..., x ) (4.58)
1 2 p
donde cada variable xi (i = 1,2,... ,p) está definida en un intervalo [aj,bj] (j = 1,2,... ,p).
La media global (m) se presenta como el valor medio de la respuesta , F, en el

dominio de definición,
∫∫∫ F ( x 1 , x 2 ,..., x
p
) dx
1
dx
2
... dx
p
m = Ω (4.59)
VOL
integrando en el hiperrectángulo de definición y dividiendo entre su volumen,
VOL = (b − a )(b − a )...(b − a ) (4.60)

1 1 2 2 p p
126 55
La variabilidad total (VT) se expresa como la integral en el dominio del cuadrado

de la diferencia de la función y la media global,
V T = ∫∫∫( F ( x , x ,..., x ) − m) 2 dx dx ...dx (4.61)

1 2 p 1 2 p
Ω
Los efectos principales se definen para determinar la contribución de las

variables individuales a la variabilidad total del modelo, deseando que para cada
valor de una variable, xi, dentro de su intervalo de definición, [aj,bj], exista la
definición de una nueva función, ei(xi), que condensa la respuesta promedio del
modelo.
∫... ∫... ∫... ∫ F ( x1,..., x3 ,..., x p )dx1...dx(i − 1) dx(i + 1) ...dx p

x x x x
1 i− 1 i+ 1 p
e (x ) = (4.62)
i i (b − a )..(b − a )(b − a )...(b − a )
1 1 i− 1 i− 1 i+ 1 i+ 1 p p
Para promediar las variables restantes para un valor dado de xi, se excluye de la
integral sólo la variable cuyo efecto principal se determina, dividiendo por el volumen
asociado para que sea un valor medio.
Nótese que el valor medio de ei(xi) en el intervalo [aj,bj] es obviamente m.
Mediante la siguiente identidad es posible expresar la respuesta del modelo,

p  p 
F (x ,x ,...,x ) = m + ∑ e (x ) − m + F (x ,x ,...,x )-m- ∑ e (x ) − m (4.63)
1 2 p i i  1 2 p i i 
i =1  i =1 
designando el término en corchetes como residual. La respuesta se expresa como la

suma de términos de creciente complejidad: la respuesta media; la suma de los
efectos principales y la variabilidad residual que representa posibles interacciones,
efectos cuadráticos, entre otros, que no se contemplan por los efectos principales.
Una alternativa de la identidad es,
126 56
p
F (x ,x ,...,x ) − m = ∑ (e i (x i ) − m ) + res (x 1 ,x 2 ,...,x p ) (4.64)
1 2 p
i =1
En esta, los desvíos de la función respecto de la media se presentan como la

suma de los desvíos de los p efectos principales respecto de la media más el
residual. Elevando al cuadrado ambos miembros se obtiene,
p
(F (x ,x ,...,x ) − m)2 = ∑ (e (x ) − m )2 + res (x ,x ,...,x )2 + dobleproductos (4.65)
1 2 p i i 1 2 p
i =1
Pero, integrando en el dominio de definición se obtiene el siguiente teorema de

descomposición en suma de cuadrados,
2
∫∫∫(F(x1,x2 ,...,x p ) − m) dx1dx2...dx p =
O
p
2
∑ ∫∫∫(ei(xi ) − m)2 dx1dx2 ...dx p + ∫∫∫res(x1,...,x p ) dx1dx2 ...dx p (4.66)
i = 1O O
haciendo posible mostrar que las integrales correspondientes a los términos

provenientes de un doble producto son nulos.
La variabilidad total, según el teorema de la descomposición, se desglosa en la

suma de las variabilidades individuales, Vei(xi), de cada efecto principal ei(xi) más
una variabilidad residual (Vres), permitiendo el análisis de la contribución individual
de cada variable. La variabilidad correspondiente a la variable xi puede expresarse
como una integral sencilla de una variable, definida como,
p bj
Vei ( xi ) = ∫∫∫(ei ( xi ) − m) dx1dx2 ...dx p = ∏ (b j − a j ) ∫(ei ( xi ) − m) 2 dxi

2
(4.67)
Ω j≠i aj
El teorema de descomposición anterior permite medir el aporte de una variable

mediante su contribución Vei(xi) a la variabilidad total. Nótese que Vei(xi) próxima a 0
significa que ei(xi) es casi constante, es decir, que la respuesta media del modelo es
la misma cualquiera sea el valor de xi dentro de su intervalo de definición.
126 57
Una forma de expresar porcentualmente la contribución de cada variable en la

variabilidad total surge de la identidad:
p
Vei ( xi ) Vres
1= ∑ + (4.68)
i =1 VT VT
De manera que la influencia relativa de una variable resulta como,
Vei ( xi )
Iri = .100 (4.69)
VT
de la suma de las variables del modelo (b) de manera porcentual, se pueden

escribir como,
n
IrT = ∑ Iri (4.70)
i =1
Es posible así ordenar las variables por su orden de significación y establecer

cuales variables son responsables de un alto porcentaje de la variabilidad. Una
representación gráfica de las variabilidades asociadas a los efectos principales y de
la variabilidad residual, como la figura 4.13, surge de la ecuación previa (4.68) y
ayudará al análisis. Si Vres es importante, es decir, la contribución de los efectos
principales no es significativa, será necesario incorporar al análisis efectos de orden
2, que incluyen efectos cuadráticos y/o interacciones. Así mismo, excluyendo las
menos significativas es posible simplificar el modelo, por ejemplo, cuando uno de los
objetivos sea optimización.
El estudio de cada uno de los efectos principales permite establecer los cambios
en la respuesta media para distintos valores de una variable dentro de su intervalo de
definición. Dicho análisis incluye la optimización de la respuesta media, que puede
ser de alta significación, aunque debe hacerse la salvedad de que el óptimo local de
cada efecto principal no conduce necesariamente a la optimización global del
modelo. Por ejemplo, en la figura 4.14 se observa que el modelo sólo es sensible a
valores extremos de la variable xi.
126 58
Figura 4.13 - Descomposición de la variabilidad
ei(xi)
ai xi bi
Figura 4.14 – Efecto individual sensible a valores extremos
Usualmente en los procedimientos estadísticos se acostumbra realizar una

normalización de los valores de las variables que se están estudiando, para
garantizar que el aporte de cada una de ellas sea equitativo y evitar errores en los
resultados de los análisis.
126 59
Análisis de Varianza para variables continuas normalizadas.

El propósito de esta sección es probar que los resultados del análisis de varianza
para variables continuas originales o normalizadas no afecta su propósito
fundamental, y que la influencia relativa de cada variable es igual para cualquiera de
los casos.
Suponiendo una función de dos variables,
F ( x, y ) (4.71)
con sus restricciones,
[aj,bj] (4.72)
se deduce el cálculo que permitirá la normalización, a partir de un proceso de

interpolación como se describe en la figura 4.15.
Donde:
a : Límite inferior.
b : Límite superior.
x : Valor cualquiera del intervalo [a,b].
v : Valor correspondiente en el intervalo de
normalización [0,1].
Figura 4.15 - Triángulos de proporcionalidad.
Definiendo v, con ax y bx como los límites correspondientes para el valor de x,
1
v= ( x − ax ) (4.73)
(bx − a x )
126 60
análogamente se calcula la normalización de la variable z, con ay y by como los

límites correspondientes para el valor de y,
1
z= (z − ay ) (4.74)
(by − a y )
Para definir los límites de las integrales con los intervalos de normalización se
debe realizar un cambio de variable en las ecuaciones para el ANOVA anteriores,
x = a x + (bx − a x )v
(4.75 y 4.76)
y = a y + (b y − a y ) z
y calculando el determinante de la siguiente matriz,
∂( x, z ) (bx − a x ) 0 
=
(by − a y )
(4.77)
∂(v, z )  0 
necesario al realizar un cambio de variables dentro de la integral. El determinante

resulta como,
∆ = (bx − a x )(by − a y ) (4.78)
que multiplica la integral con las nuevas variables.
Por definición ax < bx y ay < by, además a y b para cada caso son positivos, de
manera que el determinante se puede expresar como,
∆ = (bx − a x )(by − a y ) (4.79)
que representa la multiplicación de la diferencia de las restricciones, para cada

variable.
De esta manera se pueden realizar los cambios en las definiciones del análisis
de varianza para variables continuas, iniciando con la media global como,
126 61
1 1
1
∆∫ ∫F ( x, y)dxdy = ∫∫
m= F (v, z )dvdz (4.80)
Ω 0 0
Nótese que el determinante se simplifica, al realizar el cambio de variables; así,

las nuevas variables son v y z, además de definir los límites de integración en el
intervalo [0,1]. Así se prueba que la magnitud de la media global es igual para
variables originales o normalizadas.
Para el cálculo de los efectos principales se fija una de las variables, y se

integran el resto en sus límites correspondientes,
by 1
1
(by − a y ) a∫
e1 ( x) = F ( x, y )dy = ∫F (v, z )dz = e1 (v) (4.81)
y 0
donde se ha sustituido dy por (by – ay)dz, como resultado de la derivación de la

ecuación (4.73), y simplificándose la constante (by – ay) al multiplicar por la integral.
Se demuestra así que la magnitud del efecto principal para cualquier caso (original o
normalizado) es igual.
Análogamente se hace la normalización del efecto principal para cualquier

variable que se presente.
La variabilidad total se calcula como,
1 1
VT = ∫∫[ F ( x, y ) − m]2 dxdy = ∆ ∫∫[ F (v, z ) − m]2 dvdz (4.82)
Ω 0 0
donde se multiplica la nueva variabilidad por ∆dvdz como resultado del cambio de
variable.
El valor de la variabilidad total VT(x,y) es igual al multiplicar VT(v,z) por el

determinante, redefiniéndola como,
126 62
VT ( x, y ) = ∆.VT (v, z ) (4.83)
Las variabilidades individuales para cualquier variable se presentan como,

b y bx bx 1
Ve ( x) = ∫∫(e( x) − m) dxdy = (by − a y ) ∫(e( x) − m) dx = ∆ ∫(e(v) − m) dv
2 2 2
(4.84)
a y ax ax 0
que al multiplicar por ∆dv, se presenta como,
Ve ( x) = ∆.Ve (v) (4.85)
demostrando que las variabilidades individuales también quedan multiplicadas por el

determinante que resulta del cambio de variable.
En caso de existir mas de dos variables la ecuación sigue siendo una integral
sencilla, al depender sólo del efecto principal de cada variable, definida en función de
una de ellas, y el resto de las integrales como la diferencia de los límites de
integración que multiplican, como una constante, a la integral de la función que se
evalúa.
Luego, resta calcular las Influencias Relativas Individuales y la Total del modelo
que se analiza, sin importar el caso evaluado, con la ecuación (4.69) ya definida.
Sustituyendo las ecuaciones (4.82) y (4.84), con las variables normalizadas, en la

ecuación (4.69), se obtiene,
Ve( x) ∆.Ve (v)

Irx = ⇒ Irx = = Irv (4.86)
VT ( x, y ) ∆.VT (v, z )
Así se demuestra que la influencia relativa individual para cualquier caso, original
o normalizado, es igual.
126 63
Capítulo V.- Marco Metodológico
CAPÍTULO V
MARCO
METODOLÓGICO
ð Metodología de
Solución y
Evaluación.
- Modelo OI2S.
- Modelo Sustituto.
- Análisis de la
influencia de las
variables.
126 64
Los procedimientos para la solución del análisis de la influencia de las variables

sobre el modelo se presentan en este capítulo. La primera parte, denominada
Metodología de Solución, describe los pasos seguidos para la ejecución del estudio.
La segunda parte, Metodología de Evaluación, consiste en la descripción de los
criterios de evaluación.
5.1.- METODOLOGÍA DE SOLUCIÓN.
La solución del problema planteado se presenta en tres etapas relacionadas. La

primera se basa simplemente en la simulación del modelo OI2S para la obtención de
los datos que permiten generar el modelo sustituto. La segunda consiste en entrenar
las redes neuronales para desarrollar los modelo sustitutos del OI2S. Finalmente, la
tercera etapa comprende todo el análisis realizado para determinar el aporte que las
variables estudiadas hacen al sistema.
5.1.1.- METODOLOGÍA PARA EL MODELO DE OPTIMIZACIÓN INTEGRADA

SUBSUELO SUPERFICIE.
La metodología seguida con el modelo OI2S es muy sencilla. Consiste en

simular los patrones de entrada y salida para cada uno de los problemas
considerados. Para cada caso se generan 3 conjuntos de datos necesarios para la
determinación y validación del modelo sustituto. Las variables del simulador que no
son de interés se mantienen fijas en valores preestablecidos para cada problema.
Por otra parte, la respuesta está compuesta por dos valores: la Producción
Acumulada de Petróleo (COP) y el Valor Presente de los ingresos (PV).
La figura 5.1 muestra el algoritmo de la metodología utilizada con el simulador.
65
DATOS DE ENTRADA DATOS DE SALIDA

MODELO DE
Datos de Entrenamiento Producción Acumulada (COP)
Datos de Validación SIMULACIÓN Valor Presente (PV)
Datos de Prueba
Figura 5.1 – Metodología para el modelo OI2S
5.1.2.- METODOLOGÍA PARA EL MODELO SUSTITUTO.
Debido a los múltiples cálculos iterativos que se deben realizar para obtener el
análisis de las variables del modelo de simulación, se utiliza un modelo sustituto que
permita facilitar el análisis. El entrenamiento de redes neuronales representa una
opción atractiva para solventar este planteamiento. Para su desarrollo se presentan
datos de entrenamiento, validación y prueba, que deben contener información
representativa de la entrada y salida del modelo OI2S.
Esta disposición representa un tiempo prolongado de procesamiento y altos costos computacionales.
MODELO OI2S ANOVA
Se hace necesario la utilización de un modelo sustituto que permita

obtener resultados de manera más rápida y eficiente.
MODELO OI2S MODELO ANOVA

SUSTITUTO
Antes de explicar la metodología empleada para el entrenamiento de las redes,

es necesario seguir los pasos descritos a continuación:
A. Establecer los intervalos de definición de cada variable.
B. Identificar las características de la red para el entrenamiento:
66
ü La función de transferencia utilizada es la log sigmoid, que para cualquier

entrada la respuesta pertenece al intervalo [0,1].
ü La topología de la red compuesta por:
− Capa de entrada (Ce), que contiene los intervalos de restricción, cuya
dimensión o número de neuronas depende de las variables que
intervengan en el sistema.
− Capa oculta o intermedia (Co), compuesta por un número de neuronas
menor o igual al doble de la capa de entrada más uno, es decir,
Co ≤2.Ce + 1 . Esta cota máxima se utiliza para definir el número de
patrones de entrenamiento.
− Capa de salida (Cs), integrada por la respuesta de la red, y con tantas
neuronas como respuestas se requieran.
ü El algoritmo de entrenamiento a utilizar es el método Levenberg-
Marquardt, que consiste en aplicar como algoritmo de retropropagación
una modificación de métodos de Newton para garantizar el descenso
sobre la superficie del error.
C. Determinar el número de patrones de entrenamiento, a partir de la cantidad

de pesos que intervienen en la red, con un porcentaje de aumento, α.
Matemáticamente se puede expresar como,
PE = 1+α. (WT) = 1+α. (W1 + W2) = 1+α. (Ce.Co + Co + Cs + Cs.Co)
donde:
PE : Patrones de entrenamiento.
WT : Número total de pesos.
W1 : Número de pesos entre la capa de entrada, la capa oculta y el Bias.
W2 : Número de pesos entre la capa oculta, la capa de salida y el Bias.
Ce : Número de neuronas en la capa de entrada.
Co : Número de neuronas en la capa oculta o intermedia.
Cs : Número de neuronas en la capa de salida.
α : Porcentaje de aumento.
67
D. Establecer las dimensiones de los conjuntos de entrenamiento, validación y

prueba de las redes neuronales, a partir de los patrones de entrenamiento.
Cada uno se compone por el 70%, 20% y 10% de la dimensión de los
patrones, respectivamente. Estos conjuntos representan datos de
entrada/salida utilizados para el entrenamiento de la red, cumpliendo las
funciones que sus nombres sugieren.
E. Generar los datos para los conjuntos anteriores mediante el procedimiento

conocido como Hipercubo Latino (HCL). Éste se compone de N puntos en el
espacio de dimensión nv (número de variables). Los valores de las
restricciones se presentan como dos vectores fila, a y b, que contienen los
límites inferior y superior. La respuesta del HCL es una matriz de N filas y nv
columnas de valores aleatorios dentro de los intervalos, empleada como
entrada de los modelos OI2S y sustituto.
Determinación de la red óptima.

Este proceso consta de 2 fases diferenciadas:
− Inicialización de conjuntos de pesos por el método Montecarlo.
− Algoritmo de entrenamiento.
Inicialización de pesos por el método Montecarlo.

Las condiciones anteriores permiten establecer parámetros necesarios antes de
iniciar el entrenamiento, como establecer pesos iniciales que permitan llegar al
mínimo global de la función, y no caer en mínimos locales que aporten respuestas
incorrectas. Una manera de obtenerlo es desarrollando un procedimiento de
inicialización de pesos con el método Montecarlo. Los datos de entrenamiento
permiten simular una red neuronal de manera aleatoria, y guardar los pesos que se
generan. Así se desarrolla la siguiente metodología,
68
1. Establecer el radio de muestreo y el número de neuronas en la capa

oculta (Co).
2. Seleccionar aleatoriamente el valor del conjunto de pesos, dentro de los

radios anteriores, especificando el número de iteraciones.
3. A partir de los datos de entrada y salida y con un número de iteraciones

preestablecidas para el Montecarlo, simular la red con el conjunto de
pesos anteriores y determinar la sumatoria del cuadrado de los errores
(SSE).
4. Almacenar el conjunto de pesos de la red que obtenga el SSE mínimo.
5. Repetir los pasos 1 a 4 hasta alcanzar el número de evaluaciones máximo

1
según el radio de muestreo, aumentando con una razón de , desde
5.Co 2
1
0,01 hasta + 0,01 .
Co 2
Este proceso de inicialización se debe realizar como mínimo tres veces, lo que
garantiza que los conjuntos de pesos iniciales para el entrenamiento sean diferentes
y aleatorios permitiendo acercarse al mínimo global del modelo.
Algoritmo de entrenamiento.
Luego se ejecutará el aprendizaje para cada uno de los conjuntos de pesos,

comparando el cuadrado del error medio (MSE) de la respuesta para determinar cual
es el conjunto que ofrece la mejor red. Con estos conjuntos de pesos obtenidos, se
inicia el entrenamiento siguiendo el método Levenberg – Marquardt.
69
Se desarrolla el entrenamiento utilizando datos de entrada/salida representativos

del comportamiento del modelo OI2S, hasta que la red aprenda a generalizarlos.
Combinado con la inicialización de pesos, uno de los mecanismos utilizados para
establecer de manera aproximada el momento en que debe detenerse el proceso de
entrenamiento es definir dos conjuntos diferentes de patrones de entrada/salida: un
conjunto de entrenamiento, cuyos elementos serán presentados progresivamente a
la red para actualizar los pesos y un conjunto de validación, que con valores
similares compara estos elementos.
Normalmente durante el proceso de entrenamiento la calidad del modelo se

incrementará para los dos conjuntos de patrones, entrenamiento y validación, hasta
un punto donde el desempeño continua mejorando para el conjunto de aprendizaje
pero empieza a degradarse para el conjunto de validación, como se muestra en la
figura 5.2. Allí debe detenerse el entrenamiento (denominado criterio de parada),
porque la red empieza a aprender los puntos de los datos de entrenamiento de una
manera individual, en vez de aprender la relación funcional que ellos representan.
Por lo tanto, la habilidad de interpolación de la red se deteriora significativamente.
Cuando esto ocurre se dice que la red esta sobre-entrenada.
Las curvas se trazan con los valores del cuadrado del error medio (MSE), para
ambos conjuntos de datos, deteniendo el entrenamiento en el punto que se indica y
almacenando los pesos correspondientes. El procedimiento se ejecuta para varios
pesos iniciales con un número similar de neuronas en la capa oculta, escogiendo los
que aporten el menor MSE de entrenamiento.
70
MSE
Punto en que debe

detenerse el entrenamiento
Validación
Entrenamiento
Iteraciones de Entrenamiento
Figura 5.2 – Curvas del cuadrado del error medio (MSE) para los conjuntos de entrenamiento y validación
Selección de la mejor red en función del número de neuronas en la capa oculta.

Comenzando por un número de neuronas mínimo (e.g. 2 neuronas), se repiten
los pasos anteriores para un número diferente de neuronas en la capa oculta con la
intención de determinar la topología óptima. La selección del número de neuronas
se realiza con un criterio de parada semejante al del entrenamiento de la red, con la
diferencia que se comparan los MSE óptimos de los conjuntos de entrenamiento y
validación obtenido del entrenamiento de cada red. Los resultados se pueden
graficar visualizar la comparación de los errores, como se muestra en la figura 5.3.
En general, mientras menor sea la cantidad de neuronas que se seleccionen en la
capa intermedia, más rápido será el procesamiento.
La totalidad de los procedimientos integrantes de la creación del modelo sustituto

se han desarrollado en MATLAB. Este programa comercial ofrece funciones que
facilitan el entrenamiento y simulación de las redes neuronales:
71
ð trainlm, permite entrenar una red neuronal hacia delante con el método
Levenberg – Marquardt. Esta función puede ser invocada con 1, 2 o 3
conjuntos de pesos y Bias para entrenar redes hacia delante con más de 3
capas.
ð simuff, es una función que permite simular redes neuronales hacia delante
con más de 3 capas, estableciendo los patrones de entrada, conjuntos de
pesos, Bias y función de transferencia.
5.1.3.- METODOLOGÍA PARA EL ANÁLISIS DE LA INFLUENCIA RELATIVA

DE LAS VARIABLES.
Para la solución del problema, se selecciona la metodología del Análisis de

Varianza extendido a variables continuas, conveniente para el análisis de la
influencia de los patrones y variables del modelo de simulación de sistemas de
producción presentado. Además, permite resolver problemas con restricciones de
frontera y facilidad de adaptación a modelos o procesos matemáticos.
Luego de entrenar la red neuronal, determinando cual es el número óptimo de

neuronas en la capa oculta y obteniendo los pesos adecuados, se procede a realizar
el análisis de la influencia relativa de las variables que intervienen en el modelo. El
procedimiento de solución utilizado, presentado en la figura 5.3, consiste en:
A. Establecidas las restricciones de las variables en el paso A del modelo

sustituto, se determina sobre que respuesta (PV o COP) se desea evaluar la
influencia de cada variable.
B. Se calcula la media global (m) del modelo, integrando en todo el intervalo de

definición para cada una de las variables que participan en el análisis.
C. Se miden los efectos individuales (ei(xi)) de cada variable, con un intervalo

que exceptúa las restricciones correspondientes.
72
Figura 5.3 – Algoritmo de solución para el análisis de las variables
Restricciones de las variables (ai,bi)

Respuesta deseada (PV o COP)
Pesos para la Red Neuronal
Función de transferencia
Media Global (m):
∫∫∫ F ( x 1 , x 2 ,..., x
p
) dx
1
dx
2
... dx
p
m = Ω
VOL
Efectos Individuales de las variables (ej(xj)):
∫... ∫... ∫... ∫ F ( x1,..., x3 ,..., x p )dx1...dx( i − 1) dx( i + 1) ...dx p

x x x x
1 i− 1 i+ 1 p
e i (x ) =
i (b − a )..(b j − a j )(b − a )...(b − a )
1 1 −1 − 1 j+ 1 j+ 1 p p
Variabilidad Total (VT):
V T = ∫∫∫( F ( x , x ,..., x ) − m) 2 dx dx ...dx

1 2 p 1 2 p
Ω
73
Variabilidad individual de los efectos (Vej(xj)):
p bj
Ve i ( x i ) = ∫∫∫(e i ( x i ) − m) dx1dx2 ...dx p = ∏ (bj − aj ) ∫(e i ( x i ) − m) dx i

2
2
Ω j ≠i aj
Influencia relativa de las variabilidades (Ir):
Ve i ( xi ) n
Iri =
VT
.100 Irres = 100 − ∑ Ir i
i =1
Valores utilizados para trazar los gráficos de barras al comparar las influencias.
D. Se determina la variabilidad total (VT) del modelo, integrando en todo el

intervalo de definición el cuadrado de la diferencia entre el modelo evaluado y
la media global.
E. Se cuantifican las variabilidades individuales (Vei(xi)), de los efectos de cada

variable sobre el modelo, como el cuadrado de la diferencia entre los efectos
individuales y la media global.
F. Se estima la influencia de cada una de las variabilidades individuales y la

variabilidad residual sobre la variabilidad total, con las definiciones
presentadas en el marco teórico.
74
Para facilitar la solución de la metodología del análisis de varianza se utilizan las

herramientas NAG (Numerical Algorithm Group) del programa computacional
MATLAB, utilizadas para la solución de este problema.
Este toolbox proporciona un acceso interactivo, desde dentro de MATLAB, a un

amplio conjunto de funciones matemáticas y estadísticas contenidas en las clásicas
NAG Fortran Libraries, de la empresa The Numerical Algorithms Group. Incorpora
archivos que cubren una variedad de áreas, entre las que cabe destacar
optimización, ecuaciones diferenciales ordinarias y en derivadas parciales,
cuadraturas, estadística, entre otras. La NAG Foundation Toolbox añade también
rutinas concretas para campos específicos, tales como: la resolución de problemas
con condiciones de contorno, problemas de cuadratura adaptativa multidimensional,
entre otras.
De las múltiples herramientas de la librería NAG, para facilitar el desarrollo del

método de solución, se escogieron:
ð D01FCF, cuadratura adaptativa multidimensional sobre el hiperrectángulo.

Esta rutina estima una respuesta de la integral multidimensional sobre el
hiperrectángulo, estimando además el error relativo.
ð D01AJF, cuadratura unidimensional, adaptable, de intervalo definido, que

permite el cálculo para integrandos de comportamiento irregular. Esta rutina
adaptable utiliza las reglas de Gauss para 10 puntos y las de Kronrod para 21
puntos.
5.2 METODOLOGÍA DE EVALUACIÓN.
En esta sección se presentan los criterios de evaluación para los resultados del
entrenamiento de las redes neuronales y del análisis de la influencia de las variables
sobre el modelo OI2S.
75
5.2.1.- CRITERIOS PARA LOS MODELOS SUSTITUTOS.
Los criterios de evaluación utilizados para el entrenamiento de las redes

neuronales, que permiten obtener los modelos sustitutos, son:
ü Definir el criterio de parada para el entrenamiento de la red con un número

preestablecido de neuronas en la capa oculta.
ü Definir el criterio para determinar el número óptimo de neuronas en la capa

oculta.
Con estos parámetros de evaluación se obtienen las gráficas que permiten

determinar los puntos de parada del entrenamiento de una red y el número de
neuronas óptimo en la capa oculta.
Para el caso del entrenamiento de una red se grafican los diferentes valores del
cuadrado del error medio (MSE) para los conjuntos de entrenamiento y validación,
como se muestra en la figura 5.2 anterior. De esta manera, se escogen los pesos en
los que la red posea el menor MSE de validación según el criterio de parada.
El criterio de selección para el número de neuronas en la capa oculta se basa en

que el MSE de para el conjunto de validación sea el menor, lo que sugiere que el
número de neuronas correspondientes son adecuadas para el entrenamiento. En la
figura 5.4 se muestra una gráfica representativa utilizada para comparar visualmente
las magnitudes de los errores para cada red neuronal, entrenada con distinto número
de neuronas en la capa oculta.
76
MSE
Número de neuronas en la capa oculta
Figura 5.4 – Gráfica del cuadrado del error medio mínimo para cada red con diferente
número de neuronas en la capa oculta.
5.2.2.- CRITERIOS DE EVALUACIÓN PARA EL ANÁLISIS DE LA

INFLUENCIA RELATIVA DE LAS VARIABLES.
Por otra parte, los criterios de evaluación para el análisis de la influencia de las
variables se presenta como:
ü Magnitudes de la variabilidades individuales.

ü Magnitud de la variabilidad residual.
ü Comportamiento de los efecto individual de las variables respecto a los
intervalos de las restricciones.
Las variabilidades (V1, V2, V3, V4 y Vres) se representan en gráficos de barras

que comparan las magnitudes, permitiendo establecer el aporte de cada una a la
variabilidad total del modelo. En la figura 5.5 se muestra una gráfica representativa.
77
Figura 5.5 - Descomposición de la variabilidad
El comportamiento del efecto individual de las variables, a lo largo de los valores del
intervalo de restricción, se representa en gráficas que muestran las tendencias que se puedan
presentar. Con estas se pueden determinar los efectos sobre el modelo. Por ejemplo, en la
figura 5.6 se observa que el modelo sólo es sensible a valores extremos de la variable xj.
En el siguiente capítulo se presentan las gráficas más representativas debido a la

gran cantidad de evaluaciones desarrolladas para el entrenamiento de las redes
neuronales y el análisis de las variables del modelo.
ei(xi)
ai xi bi
Figura 5.6– Efecto individual sensible
78
CAPÍTULO VI
ESTUDIO DE
CASOS
ð Calibración.
ðDiseño.
ðOperación.
79
Capítulo VI.- Estudio de Casos
En este capítulo se realiza el estudio de la influencia de las variables en el

sistema se realiza para distintos casos desglosados en problemas de Calibración,
Diseño y Operación, tal como fueron presentados en el Capítulo II – Definición del
Problema. La influencia relativa se mide sobre las respuestas del modelo,
representadas por la Producción Acumulada de Petróleo (COP) y el Valor Presente
de los ingresos (PV).
A continuación se presentan los casos de estudiados:
El problema de calibración a considerar presenta como variables independientes:

porosidad (φ), permeabilidad relativa del petróleo (Kro) y del gas (Krg), saturación
inicial de petróleo (So). Las restricciones de las variables consideradas se presentan
en la Tabla 6.1.
Tabla 6.1. Intervalo recomendado para las variables de calibración
VARIABLE INTERVALO UNIDAD
Porosidad (φ) 0.25 a 0.40 adim.
Perm. Relativa (Krg) 0.50 a 0.80 adim.
Perm. Relativa (Kro) 0.20 a 0.30 adim.
Saturación (Sg) 0 a 0.10 adim.
El resto de los parámetros se mantienen con valores constantes durante la

simulación, como se muestran al final de la sección en la Tabla 6.5:
80
ü Parámetros del yacimiento: Presión inicial, saturaciones iniciales,

dimensiones del yacimiento en X, Y y Z, gravedad API.
ü Parámetros de tuberías: Diámetros y longitudes de las tuberías vertical,

horizontal y del estrangulador.
ü Parámetros del separador: Presión y temperatura del separador.
ü Parámetros económicos: Número de períodos de composición por año, tasa

de interés anual, precio del barril de petróleo, horizonte de producción.
Los problemas a nivel de diseño y operación se resuelven para cuatro

escenarios económicos, los cuales difieren en: precio del barril de petróleo ($),
tasa de interés anual (%) y horizonte de producción (años). En la Tabla 6.2 se
presentan los valores de los parámetros de los escenarios económicos para el
Diseño y la Operación. El horizonte de producción se dividirá en 5 intervalos,
para la solución de los problemas.
Tabla 6.2. Escenarios de Producción para los casos estudiados de diseño y operación.
ESCENARIOS TASA DE INTERÉS PRECIO DEL HORIZONTE DE
(%) BARRIL ($) PROD. (AÑOS)
1 10 30 5
2 20 10 5
3 10 30 10
4 20 10 10
81
El problema de diseño se plantea con las variables independientes: diámetro

vertical (Dv), diámetros horizontal (Dh), diámetro del estrangulador (De), tasa inicial de
producción (q), factor de daño o skin factor (S). En la Tabla 6.3 se presentan las
restricciones consideradas para cada variable.
Tabla 6.3. Intervalo recomendado para las variables de diseño.
Tub. Vertical (Dv) 2.5 a 4.5 in
Tub. Horizontal (Dh) 2.5 a 4.5 in
Diam. Estrang. (De) ¾ a 2.5 in
Tasa de Flujo (q)) 200 a 4000 bbl / d
Skin Factor (S) -3 a +3 adim.
Igual que el caso anterior el resto de los parámetros se mantienen constantes, a

diferencia de los escenarios económicos:
ü Parámetros del yacimiento: Presión inicial, porosidad, saturaciones iniciales,

dimensiones del yacimiento en X, Y y Z, gravedad API.
ü Parámetros de tuberías: Longitud de las tuberías vertical y horizontal.

82
La influencia relativa de la operación se determina utilizando las variables

independientes: factor de daño o skin factor (S) y tasa inicial de producción de
petróleo (q). Los valores y unidades para los intervalos de las variables se presentan
en la Tabla 6.4.
Tabla 6.4. Intervalo recomendado para las variables de operación
Skin Factor (S) -3 a +3 adim.
Tasa de Flujo (q ) 200 a 4000 bbl / d
De nuevo, los parámetros restantes se mantienen constantes, estableciendo los

económicos en la Tabla 6.2 y el resto en la Tabla 6.5, como:
ü Parámetros del yacimiento: Presión inicial, porosidad, saturaciones iniciales,

dimensiones del yacimiento en X, Y y Z, gravedad API, permeabilidad
absoluta.
ü Parámetros de tuberías: Diámetros de las tuberías vertical, horizontal y del

estrangulador, longitud de las tuberías vertical y horizontal.

83
Tabla 6.5 – Valores constantes durante la simulación para los parámetros del modelo
PARÁMETRO VALOR
Parámetros de Yacimiento
Presión Inicial (psi): 4000
Saturación Inicial del Petróleo (%): 0.80
Saturación Inicial del Agua (%): 0.10
Porosidad (%): 0.30
Dimensión del Yacimiento en x (ft): 2500
Dimensión del Yacimiento en y (ft): 2500
Dimensión del Yacimiento en z (ft): 50
Gravedad API (adim): 20
Skin Factor (adim): Introduzca 5 valores en el Tiempo [0 0 0 0 0]
Permeabilidad absoluta (md): 100
Parámetros de Tubería
Diámetro de la Tubería Vertical (in): 0.3
Longitud de la Tubería Vertical (ft): 4000
Diámetro del Estrangulador (in): 0.1
Diámetro de la Tubería Horizontal (in): 0.3
Longitud de la Tubería Horizontal (ft): 1000
Parámetros del Separador
Presión del Separador (psia): 150
Temperatura del Separador (°F): 75
Parámetros Económicos
Número de Periodos de Composición por año (per/año): 12
Tasa de Interés Anual (%) : 10
Precio del Barril de Petróleo ($): 25
Horizonte de Producción (años): 5
84
Capítulo VII.- Análisis y discusión de resultados
CAPÍTULO VII
ANÁLISIS Y
DISCUSIÓN DE
RESULTADOS
ðModelo OI2S.
ðModelo sustituto del

OI2S.
ðAnálisis de la
85
Capítulo VII.- Análisis y Discusión de Resultados
Aplicando la metodología propuesta, para la obtención del modelo sustituto

mediante redes neuronales y para el análisis de la influencia de las variables, se
presentan los resultados para cada uno de los casos definidos en el capítulo anterior.
7.1.- RESULTADOS DEL MODELO SUSTITUTO.
El entrenamiento de las redes neuronales, para la obtención del modelo sustituto

del modelo OI2S, se realiza con los conjuntos de entrenamiento, validación y prueba.
Su dimensión se calcula a partir del número de patrones de la red, expuesto en el
marco metodológico. Los conjuntos se dimensionan, según el número de
evaluaciones, como se muestra en las Tablas 7.1, 7.2 y 7.3 para los casos de
Calibración, Diseño y Operación.
Tabla 7.1 – Dimensiones de los conjuntos de la red neuronal para el caso de Calibración
CASO CONJUNTO VARIABLES DE VARIABLES DE

ENTRADA SALIDA
φ kro krg Sgi PV COP
Calibración Entrenamiento 105 evaluaciones 105 evaluaciones
(150 evaluaciones) Validación 30 evaluaciones 30 evaluaciones
Prueba 15 evaluaciones 15 evaluaciones
Tabla 7.2 – Dimensiones de los conjuntos de la red neuronal para el caso de Diseño

ENTRADA SALIDA
Dv Dh Dc q S PV COP
Diseño Entrenamiento 140 evaluaciones 140 evaluaciones
86
Tabla 7.3 – Dimensiones de los conjuntos de la red neuronal para el caso de Operación

ENTRADA SALIDA
q S PV COP
Operación Entrenamiento 140 evaluaciones 140 evaluaciones
Éstas evaluaciones componen cada conjunto de datos. Los casos de Diseño y

Operación utilizan dimensiones similares para todos escenarios económicos.
Se ejecutan 3 entrenamientos para cada caso, correspondientes a los tres

conjuntos de pesos obtenidos, resultando un total de 27 entrenamientos:
• 3 para la Calibración.
• 12 para el Diseño, 3 por cada escenario económico.
• 12 para la Operación, 3 por cada escenario económico.
La inicialización de pesos con el método Montecarlo se realiza para 500

iteraciones, estableciendo el número de neuronas en la capa de entrada, en la
intermedia y en la salida. Ésta permite obtener conjuntos aleatorios con los que se
establecen los pesos iniciales de los entrenamientos de las redes.
Conociendo el número de evaluaciones y el conjunto inicial de pesos, se

entrenan las redes utilizando el criterio de parada, comparando los valores del
cuadrado del error medio (MSE) del conjunto de validación. Las figuras 7.1, 7.2 y 7.3
son gráficas representativas de los resultados obtenidos para el entrenamiento de los
casos de calibración, diseño y operación. Éstas presentan el mejor entrenamiento de
tres que se efectuaron. Obsérvese como la curva del entrenamiento siempre mejora,
mientras la validación luego de algunas iteraciones empieza a desmejorar.
87
0
10
MSE
-1
10
-2
10
-3
10
-4
10
- Entrenamiento
- - Validación
-5
10
-6
10
0 5 10 15 20 25 30 35 40
Número de Iteración
Figura 7.1 – Gráfica del cuadrado del error medio (MSE) vs. el número de iteración para
el entrenamiento de redes neuronales con 4 neuronas en la capa oculta para el modelo
sustituto del caso de Calibración.
0
10
MSE
-1
10
-2
10
-3
10
-4
10
- Entrenamiento
- - Validación
-5
10
-6
10
0 5 10 15 20 25 30 35 40
Figura 7.2 – Gráfica del cuadrado del error medio (MSE) vs. el número de iteración para el
entrenamiento de redes neuronales con 6 neuronas en la capa oculta para el modelo
sustituto del tercer escenario económico del caso de Diseño.
88
0
10
MSE
-1
10
-2
10
-3
10
-4
10
- Entrenamiento
- - Validación
-5
10
-6
10
0 5 10 15 20 25 30
Figura 7.3 – Gráfica del cuadrado del error medio (MSE) vs. el número de iteración para el
entrenamiento de redes neuronales con 5 neuronas en la capa oculta para el modelo sustituto
primer escenario económico del caso de Operación.
En las Figuras 7.4, 7.5 y 7.6 se muestran gráficas representativas de los MSE
para los conjuntos de entrenamiento, validación y prueba que resultaron del
entrenamiento de las redes neuronales para los casos de calibración, diseño y
operación anteriores. Con estos valores se determina el número de neuronas óptimo
para cada caso. Nótese que el comportamiento es parecido al presentado en el
entrenamiento de las redes, mejorando siempre para el conjunto de entrenamiento a
diferencia de la validación.
Las nomenclaturas MSEe, MSEv y MSEp están relacionadas con los errores de
los conjuntos de entrenamiento, validación y prueba, respectivamente.
Los resultados sobre el conjunto de prueba demuestran que la generalización de

la red neuronal es adecuada, como se puede apreciar en las figuras mencionadas
antes.
89
7,00E-03
6,00E-03
5,00E-03
4,00E-03
MSEe
MSE
MSEv
MSEp
3,00E-03
2,00E-03
1,00E-03
0,00E+00
2 3 4 5 6 7 8 9 10 11
MSEe 2,97E-03 8,17E-04 6,25E-04 3,09E-04 3,27E-04 2,44E-04 1,03E-04 1,21E-04 2,28E-04 1,73E-04
MSEv 6,33E-03 2,06E-03 1,44E-03 1,03E-03 9,26E-04 4,68E-04 4,87E-04 4,49E-04 5,49E-04 6,49E-04
MSEp 2,17E-03 6,33E-04 4,97E-04 6,87E-04 5,34E-04 4,09E-04 1,28E-03 3,85E-04 5,04E-04 7,17E-04
Neuronas en Co
Figura 7.4 – Magnitudes de los MSE óptimos en función del número de neuronas en la capa oculta
para el caso de Calibración.
Comparación de los MSE para el caso de Diseño
1,20E-02
1,00E-02
8,00E-03
MSEe
MSE
6,00E-03 MSEv
MSEp
4,00E-03
2,00E-03
0,00E+00
2 3 4 5 6 7 8 9 10
MSEe 7,20E-03 3,92E-03 2,52E-03 1,62E-03 1,45E-03 9,85E-04 8,68E-04 8,93E-04 8,40E-04
MSEv 8,16E-03 5,72E-03 3,75E-03 2,54E-03 2,36E-03 2,18E-03 2,43E-03 2,95E-03 3,60E-03
MSEp 9,67E-03 4,37E-03 2,25E-03 1,80E-03 1,93E-03 1,95E-03 2,63E-03 1,94E-04 1,96E-03
Neuronas en Co
para el tercer escenario económico del caso de Diseño.
90
1,80E-02
1,60E-02
1,40E-02
1,20E-02
1,00E-02
MSEe
MSE
MSEv
MSEp
8,00E-03
6,00E-03
4,00E-03
2,00E-03
0,00E+00
2 3 4 5 6 7 8 9 10
MSEe 1,22E-02 3,46E-03 1,17E-03 6,04E-04 5,47E-04 5,35E-04 4,68E-04 5,35E-04 5,01E-04
MSEv 1,69E-02 6,23E-03 1,66E-03 8,48E-04 5,44E-04 8,87E-04 6,07E-04 7,76E-04 6,87E-04
MSEp 7,43E-03 4,68E-03 8,10E-04 7,76E-04 7,55E-04 8,07E-04 7,63E-04 7,76E-04 6,93E-04
Neuronas en Co
para el primer escenario económico del caso de Operación.
Por otra parte, en la tabla 7.4 se presentan el número de neuronas seleccionado

para cada caso como resultado de la comparación de las magnitudes de los errores.
Tabla 7.4 – Número de neuronas en la capa oculta correspondiente para cada caso.
CASO ESCENARIO NEURONAS MSE MSE

ESTUDIADO ECONÓMICO EN LA CAPA ENTRENAMIENTO VALIDACIÓN
OCULTA
Calibración ----- 4 6,25E-04 1,44E-03
1 5 1,62E-03 2,54E-03
2 6 1,64E-03 3,00E-03
Diseño
3 6 1,35E-03 2,17E-03
4 6 1,60E-03 4,24E-03
1 5 1,04E-03 1,52E-03
2 4 1,37E-03 1,96E-03
Operación
3 6 5,47E-04 5,44E-04
4 5 9,58E-04 1,13E-03
91
7.2 RESULTADOS DEL ANÁLISIS DE LA INFLUENCIA RELATIVA DE LAS

VARIABLES DEL MODELO.
En esta sección se presentan tablas con valores para la relación de

variabilidades y sus gráficas comparativas. En éstas se incluyen los valores
alcanzados por el residual, que representa las consideraciones excluidas del análisis
de la influencia de las variables: efectos combinados o interacciones, doble
productos, entre otros. Por otra parte, se presentan figuras que corresponden al
comportamiento de la respuesta del modelo debido al efecto individual de cada
variable para distintos valores del intervalo de definición.
La estabilidad de la metodología utilizada con las redes neuronales sin importar

la topología de la red lleva a resultados similares para cada caso, razón para
presentar en esta sección sólo las gráficas que permiten comparar la influencia
relativa de las variables estudiadas y los valores del residual para cuantificar su
aporte al modelo (efectos combinados, dobleproductos, entre otros).
A continuación se presentan resultados correspondientes a las redes neuronales

de la sección anterior:
El problema de calibración envuelve el estudio de 4 variables pertenecientes al

yacimiento, para las que se establecen intervalos de definición. Aplicando la
metodología para el análisis de la influencia en el modelo, se pude determinar el
aporte de cada variable, además de el aporte del residual.
Los análisis para ambas respuestas del modelo resultan similares, presentando
los valores obtenidos para el Valor Presente de los ingresos en la Tabla 7.5, y en la
figura 7.7 se observa la comparación gráfica. El comportamiento de la permeabilidad
92
relativa del gas con mayor influencia respecto de los valores del intervalo de
definición, se muestra en la figura 7.8.
Tabla 7.5 –Influencia relativa de las variables y del residual para el caso de Calibración.
VARIABLES φ kro krg Sgi RESIDUAL

Influencia Relativa Individual 0.1624 0.4825 84.0400 8.5170 6.7981
Influencia Relativa Total 93.2019
La influencia relativa total de las variables representa la sumatoria de las

individuales. La magnitud alcanzada por la total representa que el residual
(consecuencia de las interacciones, doble productos, entre otros) no posee mayor
aporte al modelo.
Influencia 90
Relativa
80
70
60
50
40
30
20
10
0
1 2 3 4 5
Variables estudiadas
Figura 7.7 – Influencia relativa de las variables y del residual para el caso de
Calibración. 1. Porosidad (φ), 2. Permeabilidad relativa del petróleo (kro), 3.
Permeabilidad relativa del gas (krg), 4. Saturación inicial del gas (Sgi), 5. Residual.
93
Se puede observar que la variable que posee mayor influencia es la

permeabilidad relativa del gas (krg), en un orden del 84 %, seguida por la saturación
inicial del gas (Sgi) en 8,5 % y la porosidad (φ) y la permeabilidad relativa del petróleo
(kro) presentan una mínima influencia. El residual alcanza un valor aproximado al
7%, que garantiza que el análisis de la influencia de las variables es acertado.
6
x 10
PV (U.S. $) 10
2
0.2 0.22 0.24 0.26 0.28 0.3 0.32 0.34 0.36 0.38 0.4
Permeabilidad relativa del gas
Figura 7.8 – Comportamiento del efecto individual respecto al intervalo de definición de la
permeabilidad relativa del gas para el Valor Presente de los ingresos (PV) del caso de Calibración.
La figura 7.8 compara el efecto individual de la permeabilidad relativa del gas con
los valores de su intervalo de definición, determinando que para aumentos en sus
valores el Valor Presente de los ingresos aumenta de manera monotónica creciente.
Físicamente, este fenómeno se puede explicar como una consecuencia del proceso
de separación, donde una significativa parte del gas que se produce pasa a la fase
líquida (petróleo), incrementando la producción acumulada de petróleo y el valor
presente de los ingresos.
Esto justifica que la influencia relativa de la permeabilidad relativa del gas se

presente con mayor magnitud respecto al resto de las variables en el problema de
calibración.
94
Son 5 las variables que se analizan en el problema de diseño relacionadas con el

sistema de tuberías, el yacimiento y la producción. El análisis de estas variables
revela una influencia marcada en la tasa de producción de petróleo y el resto de las
variables con aportes mucho menores.
Para este caso se hace necesario separar los análisis de cada respuesta del
modelo, ya que difieren en la influencia de una de las variables.
Los resultados del análisis para la influencia relativa de la Producción Acumulada

de Petróleo (COP) se presentan en la Tabla 7.6 , y se comparan gráficamente en la
figura 7.9. El comportamiento del efecto principal respecto al intervalo de definición
de la variable con mayor influencia relativa se presenta en la figura 7.11.
Tabla 7.6 – Resultado del análisis de la influencia relativa de las variables para el COP del tercer escenario económico
del caso de Calibración.
VARIABLES Dv Dh Dch q S RESIDUAL

Influencia Relativa Individual 2.6145 0.8567 0.1247 69.2112 6.4777 20.7153
La variable que posee mayor influencia es la tasa de producción de petróleo (qi),

con un 69 % de influencia relativa. Continúan el factor de daño (S) y los diámetros
del sistema de tubería (Dv, Dh, Dch) con influencias menores al 7 %. El residual se
ubica en el segundo lugar con una influencia del 20 %, llegando al límite de su valor
que permite .
En la figura 7.10 se observa que para aumentos en los valores del intervalo de la
tasa de producción, la COP se incrementa hasta un valor de 2x106 STB
correspondiente a una tasa de 580 STB/D.
95
70
60
50
Influencia relativa
40
30
20
10
0
1 2 3 4 5 6
Figura 7.9 – Influencias relativas de las variables y del residual para el COP del tercer escenario
económico del caso de Diseño. 1. Diámetro vertical (Dv), 2. Diámetro horizontal (Dh),
3. Diámetro del estrangulador (Dc), 4. Tasa de producción del petróleo (q), 5. Factor de daño (S),
6. Residual.
COP (STB)
6
x 10
2.5
1.5
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
Tasa de producción de petróleo (STB/D)
Figura 7.10 – Comportamiento del efecto individual respecto al intervalo de definición
de la tasa de producción de petróleo para el COP del tercer escenario económico del
caso de Diseño.
96
A partir de la tasa de producción alcanzada, incrementos posteriores tienen como

consecuencia una disminución significativa de la COP. Valores cercanos a 580
STB/D sugieren la mayor producción acumulada de petróleo.
La interpretación física de éste fenómeno representa la relación existente entre la

tasa de producción y el agotamiento de la presión del yacimiento, como energía
necesaria para su producción.
Por otra parte, las influencias relativas para el Valor Presente (PV) de los
ingresos presentaron magnitudes que se reflejan en la Tabla 7.7, y se comparan
gráficamente en la figura 7.11. La figura 7.12 presenta el comportamiento del efecto
individual en función del intervalo de definición para la variable que posee mayor
influencia relativa en el modelo.
Tabla 7.7 –Influencia relativa de las variables y del residual para el PV del tercer escenario económico del caso de
Diseño.
VARIABLES Dv Dh Dch q S RESIDUAL

Influencia Relativa Individual 4.7216 1.3234 0.2893 71.7422 11.6619 10.2615
Igual que el caso anterior, la influencia relativa total determina que los efectos
individuales aportan más al modelo que el residual (efectos combinados, doble
productos, entre otros).
La tasa de producción de petróleo (qi) tiene una influencia cercana al 72 %,

representando la influencia con mayor aporte al modelo. La siguen el factor de daño
(S) y los diámetros del sistema de tuberías (Dv, Dh, Dch) que no poseen un aporte
significativo. El residual se ubica un poco por debajo del factor de daño con un 10 %
de influencia indicando que los valores del análisis son adecuados.
97
80
70
60
Influencia relativa
50
40
30
20
10
0
1 2 3 4 5 6
Intervalo de la variable
Figura 7.11 – Influencia relativa de las variables y del residual para el PV del tercer escenario económico
del caso de Diseño. 1. Diámetro vertical (Dv), 2. Diámetro horizontal (Dh), 3. Diámetro del estrangulador
(Dc), 4. Tasa de producción del petróleo (q), 5. Factor de daño (S), 6. Residual.
PV (U.S. $) 6
x 10
2.2
1.8
1.6
1.4
1.2
0.8
0.6
0.4
0.2
0 500 1000 1500 2000 2500 3000 3500 4000
Intervalo de Valores
Tasa de producción de petróleo
Figura 7.12 – Comportamiento del efecto individual respecto al intervalo de definición de la

tasa de producción de petróleo para el PV del tercer escenario económico del caso de Diseño.
98
En la figura 7.12 se aprecia un comportamiento para el Valor Presente (PV) de

los ingresos similar al de la Producción Acumulada de Petróleo. Cuando alcanza una
tasa de producción un poco mayor a 500 bbl/d, inicia un decrecimiento suavizado
para finalizar con una tendencia asintótica. Físicamente este fenómeno representa
que el aumento de la tasa de producción implica un agotamiento acelerado de la
energía del yacimiento, deteniéndose la explotación.
Nótese que PV presenta niveles beneficiosos para un valores del intervalo

ubicados entre 500 y 1000 STB/D.
El problema de Operación se analiza con 2 variables, que representan las más

importantes para la operación del pozo. Este análisis es mucho más sencillo de
calcular que los anteriores, debido a que las integrales múltiples que se utilizan
requieren menor procesamiento.
Los resultados de la metodología aplicada para el análisis de la influencia para el

caso de Operación presentan igual comportamiento para cualquiera de las
respuestas (COP o PV). En la Tabla 7.8 se presentan los resultados para el Valor
presente del primer escenario económico, y la gráficas comparativas
correspondientes en la figura 7.13. El comportamiento del efecto individual de la tasa
de producción de petróleo con mayor aporte al modelo se muestra en la figura 7.14.
Tabla 7.8 – Resultado del análisis de la influencia relativa de las variables para el primer escenario económico del caso
de Operación.
VARIABLES q S RESIDUAL
Influencia Relativa Individual 84.1517 8.9881 6.8602
99
Observando los resultados, la tasa de producción de petróleo (q) es la variable

con mayor influencia relativa, alrededor del 84 %. El factor de daño (S) y el residual
poseen una influencia menor a un 10 %. La influencia relativa total de 93 % indica
que las dos variables poseen mayor aporte que el residual, siendo innecesario
realizar un nuevo análisis considerando integrantes del residual.
El comportamiento del PV para el efecto individual de la tasa de producción de

petróleo mantiene su similitud con el caso de Diseño, iniciando la producción hasta
agotar la energía del yacimiento, donde empieza a disminuir el Valor Presente de los
ingresos. La diferencia es que el comportamiento es más estable para los valores
del intervalo ubicados entre 500 y 1000 STB/D.
90
80
70
60
Influencia relativa
50
40
30
20
10
0
1 2 3
Figura 7.13 – Influencias relativas de las variables y del residual para el primer escenario
económico del caso de Operación. 1. Tasa de producción de petróleo (q), 2. Factor de daño (S),
3. Residual.
100
PV (U.S. $) 6
x 10
7
0
0 500 1000 1500 2000 2500 3000 3500 4000
Tasa de producción de petróleo
Figura 7.14 – Comportamiento del efecto individual respecto al intervalo de definición
de la tasa de producción de petróleo para el primer escenario económico del caso de
Operación.
101
Capítulo VIII.- Conclusiones y Recomendaciones
CAPÍTULO VIII
CONCLUSIONES Y
RECOMENDACIONES
ð Conclusiones.
ð Recomendaciones.
102
ü Para jerarquizar y manejar las variables de un sistema integrado de

producción de petróleo se debe realizar un análisis de su influencia,
permitiendo lograr un adecuado manejo de los criterios de diseño y operación
de los sistemas e información histórica para futuros análisis u optimizaciones.
ü La evaluación de un sistema de producción real, representa una tarea

sumamente complicada. Un estudio de simulación numérica que combine
todos los análisis disponibles (geológicos, muestras de núcleo, petrofísico,
PVT y pruebas de pozo), registros de producción y presiones, dentro de un
modelo integrado de yacimientos representa una herramienta computacional
importante. El Instituto de Cálculo Aplicado presenta un modelo de
Optimización Integrada Subsuelo – Superficie (OI2S) representando una
opción para realizar el estudio.
ü El análisis de la influencia relativa de las variables del modelo OI2S se realiza

con los principios del análisis de varianza extendido a variables continuas, lo
que permite determinar el aporte de cada variable al modelo en un intervalo
de definición. Debido a los múltiples cálculos integrales involucrados, se
dificulta el análisis de las variables que participan en el simulador. Éste
inconveniente se resuelve con un modelo sustituto que permita obtener
resultados muy aproximados al modelo original, con una eficiencia que
permite garantizar que el análisis de las variables se ejecute de manera
rápida y acertada.
ü El modelo sustituto se generó mediante el entrenamiento de redes neuronales,

que representa una opción acertada para la obtención de las respuestas en
un tiempo adecuado en comparación con el modelo original. Comparando los
tiempos de procesamiento para los cálculos del análisis de las variables, el
modelo original no presenta resultados durante horas. Las redes neuronales
por el contrario en apenas minutos ofrece respuestas muy exactas. Sin
importar la topología de la red, al ejecutar el análisis de varianza se observa
103
que las respuestas del modelo son estables mostrando la robustez de las
redes neuronales como modelo sustituto para llevar a cabo el análisis de la
influencia relativa de las variables.
ü A partir del análisis de los problemas definidos como: Calibración, Diseño y

Operación, se determinó la influencia relativa de las variables del modelo
OI2S. El análisis permite jerarquizar las variabilidades de las variables, lo que
permitió establecer cuales son significativas y cuales pueden ser descartadas
para futuros análisis. Por otra parte, los valores alcanzados por la variabilidad
residual del modelo (interacciones, doble productos, entre otros) evitan
realizar nuevos análisis considerando algunos componentes del residual
porque su influencia no es significativa.
ü El análisis de la calibración del modelo se determina que la permeabilidad

relativa del gas es la variable más importante con un 70% de influencia,
seguida por la saturación inicial del gas (18%) y la cuantificación del error
denominado residual (9%). El resto de las variables se pueden despreciar del
análisis debido a su mínima influencia.
ü El estudio del diseño sugiere la tasa de producción de petróleo como la

variable más significativa del problema para ambas respuestas del modelo,
alrededor del 70 % de influencia. Para el resto de las variables se presentan
dos variantes, si se analiza el valor presente de los ingresos la segunda
variable significativa es el factor de daño (11,6%) seguida por el residual
(10%) y las restantes que se pueden descartar del análisis. Analizando la
producción acumulada de petróleo cambia el comportamiento, el residual
pasa a niveles importantes (20%) y el factor de daño baja su influencia (6%)
pudiéndose despreciar como el resto de las variables.
104
ü La operación del modelo se ve determinado por la tasa de producción de

petróleo (84%) presentando la mayor influencia de dos variables analizadas.
Siguen el factor de daño (9 % ) y el residual (6 % ) que juntos no representan
la mitad de la influencia de la otra variable.
ü Es recomendable realizar estudios posteriores que incluyan el resto de las

variables que se consideraron como parámetros fijos, permitiendo determinar
la influencia relativa de otras variables en el modelo. Incluso se pueden
reducir los estudios tomando las variables significativas de éste y
combinándolas con otras que no hayan sido evaluadas.
ü Así mismo, para los casos donde la variabilidad residual es mayor o igual al 20
%, se recomienda ampliar el estudio de la influencia relativa de las variables
incluyendo interacciones y efectos cuadráticos.
ü La codificación del modelo en un lenguaje de programación de más bajo nivel

(e.g. JAVA, C, FORTRAN) o estrategias de computación paralela podría
permitir la disminución del tiempo de procesamiento, logrando el análisis de
las variables del modelo de una manera directa con costos computaciones
menores. Ésta posibilidad es recomendable, si en comparación con el
modelo sustituto los tiempos de procesamiento son aproximados.
105
Glosario de Términos Básicos
GLOSARIO DE TÉRMINOS
Análisis de Varianza: En general, su propósito es examinar para las diferencias
significativas entre las medias de las variables.
Black-oil: Hidrocarburo líquido (petróleo) con una relación gas/petróleo

inicial menor que 0.31 m3/Lt y una gravedad API menor de
45º.
Estrangulador de Es una restricción en una línea (usualmente de 1/64 a 1 in.

Superficie (Choke):
de diámetro) usado para restringir y controlar la tasa de flujo
durante un test o durante producción.
Factor de daño en la Es un número adimensional que mide el daño en la

formación (Skin):
formación o la estimulación de pozo de la formación
adyacente al pozo. El número es positivo para daño en la
formación y negativo para estimulación de pozo.
Factor volumétrico Es el volumen de gas a condiciones de yacimiento requerido

de formación del gas:
para producir una unidad volumétrica de gas a condiciones
normales de superficie. Puede calcularse como el cociente
entre el volumen ocupado por el gas a temperatura y presión
del yacimiento y el volumen ocupado por el mismo peso de
gas a condiciones normales.
Factor volumétrico Volumen de liquido a condiciones de yacimiento requerido

de formación del
para producir un volumen unitario de petróleo.
petróleo:
Gradiente: El gradiente de una función escalar de n variables f(x1, x2, ...,

xn), denotado por ∇f, es el vector n dimensional
106
 ∂f ∂f ∂f 
∂x , ∂x ,..., ∂x 
∇f =  
 1 2 n 
El gradiente de una función en un punto indica la dirección, a

partir de ese punto, en la que dicha función crece más
rápidamente y, además, la dirección ortogonal a las curvas
de nivel de f (curvas en la que la función tiene un valor
constante).
Gravedad API: Es una escala que refleja la densidad de un fluido como por
ejemplo crudo líquido, agua, o gas natural. Se calcula de la
siguiente manera:
141.5
º API = − 131.5
γ
donde γes la gravedad específica del fluido a 60 ºF.
Hessiano: El Hessiano de una función escalar de n variables f(x1, x2, ...,

xn), denotado por Hf, es la matriz de dimensión n x n
 ∂2 f ∂2 f ∂2 f 
 ... 
 ∂x2 1
2
∂x1∂x 2 ∂x1∂x n 
 ∂ f ∂2 f ∂2 f 
H f = ∂x ∂x ...
∂x 22 ∂x 2 ∂x n 
 2 1 
 ... ... ... ... 
 ∂f ∂2 f ∂2 f 
2
...

∂x n ∂x1 ∂x n ∂x 2 ∂x n2  
Los métodos de optimización basados en derivadas, se
fundamentan en los conceptos de gradiente y Hessiano,
para determinar la dirección de desplazamiento sobre la
superficie de la función objetivo.
IPR: Es la relación gráfica en un pozo entre la Presión de Fondo

Fluyente y la producción de petróleo, que se define en inglés
107
como Inflow Performance Relationship, representando su

curva la capacidad de producción del yacimiento, a unas
condiciones determinadas.
Métodos cuasi- Es aquel diseñado para capturar la esencia del método de

newton:
Newton modificado. La idea general es construir una
aproximación del inverso del Hessiano para conseguir un
orden de convergencia entre 1y 2.
Optimización: Es el procedimiento o procedimientos usados para hacer

que un sistema o diseño sea tan efectivo y funcional como
sea posible, especialmente las técnicas matemáticas
involucradas. Método matemático para determinar los
valores de las variables que hacen máximo el rendimiento
de un proceso o un sistema.
Permeabilidad Es aquella que tiene un medio poroso saturado 100% por

Absoluta:
una única fase.
Permeabilidad Es aquella que corresponde a una determinada fase cuando

Efectiva:
fluyan en el medio poroso dos o mas fases. Es una función
de la saturación de la fase en consideración y su valor
siempre es menor que la permeabilidad absoluta.
Permeabilidad Es el cociente entre la permeabilidad efectiva de una fase y

Relativa:
la absoluta.
Permeabilidad: Es una medida de la facilidad con que una roca permite que
los fluidos se muevan dentro del volumen poroso
interconectado. Así como la porosidad es la forma de medir
108
la capacidad de almacenar fluidos en la roca, la

permeabilidad regula la tasa a la cual los fluidos pueden ser
producidos o desplazados de este medio poroso.
Porosidad (φ): Es la fracción del volumen total de la roca no ocupada o libre

de material. En yacimientos petroleros, la porosidad
representa el porcentaje de volumen con respecto al espacio
total que se encuentra disponible para ser ocupados por
líquidos o gases.
Porosidad absoluta: Es la fracción volumétrica total correspondiente al volumen

de poros conectados o no entre si. Cabe destacar que una
roca puede tener una considerable porosidad absoluta y no
permitir el flujo debido a la falta de interconexión entre los
poros.
Porosidad Efectiva: Es la fracción del volumen total correspondiente al volumen

de poros conectados entre si. Es un indicador de la
conductividad del medio poroso. La porosidad efectiva es la
que interesa para las estimaciones de petróleo y gas en
sitio.
Programación lineal: (Linear Programming) (LP) cuando la función objetivo y las

restricciones son funciones lineales de la variable de diseño.
Programación no (nonlinear programming) (NP) en donde la función objetivo y

lineal:
las restricciones pueden ser funciones no lineales de las
variables de diseño. Una solución a un problema NP,
generalmente requiere un procedimiento iterativo para
establecer una dirección de búsqueda en cada iteración
109
mayor. Esto es usualmente logrado a través de la solución

de un LP, o QP, o de un sub-problema sin restricciones.
La relación gas/petróleo (gor), es definida como la cantidad

Relación de la
solubilidad gas– de gas natural entre la cantidad de petróleo crudo,
petróleo: usualmente reportado como SCF/STB.
Saturación: Es la fracción del volumen poroso del yacimiento ocupado

por determinado fluido.
SI2S: Denominado Sistema Integrado Subsuelo - Superficie, es la
representación matemática de un sistema de producción –
área de drenaje, pozo e instalaciones de superficie.
Específicamente incluye modelos de yacimiento, transporte
de flujo multifásico, estrangulador, separador y aspectos
económicos.
Sistema de Producción La producción de petróleo envuelve dos sistemas generales,

de Petróleo:
distintos pero íntimamente relacionados: El Yacimiento, que
es un medio poroso con características únicas de
almacenamiento y flujo; y las estructuras artificiales, que
incluye el pozo, sus ensamblajes en el fondo y en el cabezal,
y los accesorios de superficie, el separador y los accesorios
de almacenamiento.
Tubing: Es la tubería de acero de pequeño diámetro (3/4 hasta 4 ½

in. de diámetro) que es suspendida en un pozo completado.
Es utilizado en el árbol de navidad y con levantamiento
artificial para conducir los fluidos producidos a la superficie.
Valor Presente (VP): El valor presente de un ingreso de dinero en el futuro, es
110
aquella cantidad que se debe entregar o invertir hoy para

asegurar esa misma suma de dinero en el futuro. Esta suma
presente es equivalente al flujo de dinero que se espera
recibir en el futuro.
Varianza: Es una medida de dispersión, que indica la media de las

desviaciones cuadradas de la media un grupo de valores.
VLP: Es la relación entre la Presión de Fondo Fluyente y la

producción de petróleo en un pozo, definida en inglés como
Vertical Lift Performance, representando los requerimientos
del sistema de producción, para las condiciones de las
tuberías y accesorios de superficie.
Yacimiento: Es una roca sedimentaria porosa, permeable que contiene

cantidades comerciales de petróleo y/o gas. Un yacimiento
tiene un solo sistema de presiones y no se comunica con
otros yacimientos.
111
Referencias Bibliográficas
REFERENCIAS BIBLIOGRÁFICAS
[1] Vasquez, M. and Beggs, H. D. “Correlations for Fluid Physical Property

Prediction”. Paper SPE 6719. Journal of Petroleum Tehcnology. 1980.
[2] Beggs, H. D. and Robinson, J. R. “Estimating the Viscosity of Crude Oil

Systems”. Paper SPE 5434. JPT Forum. Journal of Petroleum Technology.
1975.
[3] Sutton, R. P. “Compressibility Factors for High-Molecular-Weight Reservoir

Gases”. Paper SPE 14265. 1985.
[4] Smith, C. R.; Tracy, G. W. and Farrar, R. L. “Applied Reservoir Engineering”.

OGCI Publications. Volumen I. Primera Edición. 1992.
[5] Lee, A. L.; González, M. H. and Eakin, B. E. “The Viscosity of Natural Gases”.
Paper SPE 1340. Journal of Petroleum Technology. August 1966.
[6] Economides, M., Hill, A. D., and Ehlig-Economides, C. “Petroleum Productions

Systems”. Prentice Hall Petroleum Engineering Series. Primera Edición. 1994.
pp. 611.
[7] Carrol, J. A y Horme, R. N. “Multivariate Production System Optimization”. MS.

thesis, Stanford U., Stanford, CA. 1990.
[8] Queipo, N. V., Pintos, S., Goicochea, V., Verde, A., y Zerpa, L. “Optimización
Integrada Subsuelo–Superficie Versión 1.0”. Instituto de Calculo Aplicado.
Facultad de Ingeniería. Universidad del Zulia. Copyright 2000.
[9] Fausett, L. V. “Fundamentals of neural networks: architecture, algorithms and

aplications”. Prentice Hall. 1994. Pp. 461.
[10]Queipo, N. V., Canelón J. y Guevara F. “Fundamentos de Ingeniería de

Petróleo y Tecnologías de Computación emergente”. Facultad de Ingeniería. La
Universidad del Zulia. Copyright 2000.
[11]Hagan, M. T. y Menhyaj, M. B. “Training Feedforward Networks with the

Marquardt Algorithm”. IEEE Transactions on Neural Networks. Vol. 5. N° 6.
November 1994. Pp. 989 - 993.
[12]Jones, D., Schonlau, M. Welch, W. “Efficient Global Optimization of Expensive

Black-Box Functions”Journal of Global Optimization 13: Pp. 455 – 492. 1998.
112
Referencias Bibliográficas
[13]Mendenhall, W. y Sincich, T. “Probabilidad y Estadística para Ingeniería y

Ciencias”. Cuarta edición. 1997. Pp. 1182.
[14]Beggs, H. D. and Brill, J. P. “A Study of Two-Phase Flow in Inclined Pipes”.

Paper SPE 4007. Journal of Petroleum Technology. 1973. Pp. 607.
[15]Sachdeva, R., Schmidt Z., Brill J.P. and Blais, R.M., “Two-Phase Flow Through
Chokes”. SPE 15657, presented at the 1986 SPE Annual Technical Conference
and Exhibition, New Orleans, October 5-8.
[16]Abhvani, A. S., and Beaumont, D. N. “Development of an Efficient Algorithm for

the Calculation of Two-Phase Equilibria”, SPE 13951, (1987).
[17]Henly, E. J., and Seader, J. D. “Equilibrium – Stage Separation Operations in

Chemical Engineering”, Jhon Wiley & Sons (1981). Pp. 270.
[18]Nghiem, L. X., Aziz, K., Li, Y. K. “A Robust Iterative Method for Flash
Calculations Using the Soave-Redlich-Kwong or the Peng-Robinson Equation of
State”, SPE 8285, (1983).
[19]Veatch, R.. “Economics of Fracturing: Some Methods, Examples, and Case

Studies”, paper SPE 15509 presented at the 1986 SPE annual Technical
Conference & Exhibition, New Orleans, LA, Oct. 508.
113
Bibliografía
BIBLIOGRAFÍA
TEXTOS
Henly, E. J., and Seader, J. D. “Equilibrium – Stage Separation Operations in

Chemical Engineering”, Jhon Wiley & Sons (1981). Pp. 742.
Smith, C. R.; Tracy, G. W. and Farrar, R. L. “Applied Reservoir Engineering”.

OGCI Publications. Volumen I. Primera Edición. 1992.
Economides, M., Hill, A. D., and Ehlig-Economides, C. “Petroleum Productions

Systems”. Prentice Hall Petroleum Engineering Series. Primera Edición. 1994. Pp.
611.
Hyne, N. J. “Dictionary of Petroleum Exploration, Drilling and Production”. PennWell

Books. Primera Edición. 1991.
Fanchi, J. R. “Principles of Applied Reservoir Simulation”. Gulf Publishing Company.

Houston, Texas. 1997. Pp. 294
Fausett, L. V. “Fundamentals of neural networks: architecture, algorithms and

aplications”. Prentice Hall. 1994. Pp. 461.
Mendenhall, W. y Sincich, T. “Probabilidad y Estadística para Ingeniería y

Ciencias”. Cuarta edición. 1997. Pp. 1182.
Maisel, L. “Probabilidad y Estadística”. Primera edición. Nueva York, NY. 1973.

Pp. 280.
MANUALES Y TEXTOS GUÍAS
MATLAB Statistics Toolbox. User’s Guide.”Version 5. 1997
MATLAB NAG Toolbox. User’s Guide.” Version 5. 1997
Queipo, N. V., Pintos, S., Goicochea, V., Verde, A., y Zerpa, L. “Optimización
Integrada Subsuelo–Superficie Versión 1.0”. Instituto de Calculo Aplicado. Facultad
de Ingeniería. Universidad del Zulia. Copyright 2000.
Queipo, N. V., Canelón J. y Guevara F. “Fundamentos de Ingeniería de Petróleo y

Tecnologías de Computación emergente”. Facultad de Ingeniería. La Universidad
del Zulia. Copyright 2000.
114
Bibliografía
TRABAJOS DE ASCENSO, TESIS.
Queipo, N. V. “Optimización Efectiva de Sistemas Complejos: Aplicaciones en la

Industria Petrolera”. Trabajo de Ascenso. Universidad del Zulia. Facultad de
Ingeniería. Septiembre 2000.
Carrol, J. A. y Horme, R. N. “Multivariate Production System Optimization”. MS.

thesis, Stanford U., Stanford, CA. 1990.
REVISTAS ESPECIALIZADAS
Beggs, H. D. and Brill, J. P. “A Study of Two-Phase Flow in Inclined Pipes”. Paper

SPE 4007. Journal of Petroleum Technology. 1973. pp 607.
Sachdeva, R., Schmidt Z., Brill J.P. and Blais, R.M., “Two-Phase Flow Through
Chokes”. SPE 15657, presented at the 1986 SPE Annual Technical Conference and
Exhibition, New Orleans, October 5-8.
Abhvani, A. S., and Beaumont, D. N. “Development of an Efficient Algorithm for the

Calculation of Two-Phase Equilibria”, SPE 13951, (1987).
Henly, E. J., and Seader, J. D. “Equilibrium – Stage Separation Operations in

Chemical Engineering”, Jhon Wiley & Sons (1981). pp. 270.
Nghiem, L. X., Aziz, K., Li, Y. K. “A Robust Iterative Method for Flash Calculations
Using the Soave-Redlich-Kwong or the Peng-Robinson Equation of State”, SPE
8285, (1983).
Veatch, R.. “Economics of Fracturing: Some Methods, Examples, and Case Studies”,
paper SPE 15509 presented at the 1986 SPE annual Technical Conference &
Exhibition, New Orleans, LA, Oct. 508.
Jones, D., Schonlau, M. Welch, W. “Efficient Global Optimization of Expensive

Black-Box Functions”Journal of Global Optimization 13: pp. 455 – 492. 1998.
Hagan, M. T. y Menhyaj, M. B. “Training Feedforward Networks with the Marquardt

Algorithm”. IEEE Transactions on Neural Networks. Vol. 5. N° 6. November 1994.
Pp. 989 - 993.
Nburke, S. y Hardcastle B. “Analisis of Variance (ANOVA)”. VAM Bulletin N° 20.

Spring 1999. Pp. 28-31.
115
Bibliografía
PÁGINAS WEB
Glosario de Petróleo y Gas

http://www.caletao.com.ar/eco/glosdefi.htm#128
Stewart & Stevenson Oiltool Products: Chokes and Check Valves

http://www.ssss.com/petro/drill/chokes/chokes.html
Department of Mathematics - University of Utah.

http://www.math.utah.edu/~cherk/teach/opt/course.html#topic4
MATLAB Toolboxes
http://www.addlink.es/product/mathworks/matlab/toolboxes.htm
Guía Rápida de MATLAB

http://www.monografías.com/trabajos5/matlab/matlab.shtml#intro16
Tutorial de Redes Neuronales

http://www.gc.ssr.upm.es/inves/neural/ann2/annturorial.html
Tutorial de ANOVA
http://www.statsoftinc.com/textbook/stanman.html
Conceptos Elementales de ANOVA

http://www.statsoftinc.com/textbook/esc.html
Estadísticas básicas
http://www.statsoftinc.com/textbook/stbasic.html
Glosario de Términos básicos para ANOVA

http://www.statsoftinc.com/textbook/glosi.html
116

Estudio de Las Influencias de Las Variables

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Estudio de Las Influencias de Las Variables

Încărcat de

Drepturi de autor:

Formate disponibile

REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD DEL ZULIA

Trabajo Especial de Grado, presentado ante la ilustre

Br. José Miguel Bermúdez Acosta.

Maracaibo, Marzo 2001

Este jurado aprueba el Trabajo Especial de Grado titulado: “ESTUDIO DE LA

Maracaibo, Marzo 2001.

A mi madre, Virginia, que ha sido mi compañera y amiga incondicional a lo largo

A mis abuelos y abuelas: Antonio y Eufrosina, Pedro y Solange. Ustedes son la

A Papá y Mamá, por haberme inculcado respeto, responsabilidad y educación,

A Flavia, por brindarme su apoyo, cariño y atención durante la elaboración de

A Javier, amigo incondicional durante la carrera.

Al profesor Nestor Queipo, por confiar en el desarrollo de éste trabajo.

Al profesor Salvador Pintos, un tutor estrella e insuperable maestro.

A Javier Goicochea y Alexander Verde, colaboradores fundamentales en la

Al personal del Instituto de Cálculo Aplicado, que ejerciendo su labor de manera

Bermúdez Acosta, José Miguel. “ESTUDIO DE LA INFLUENCIA DE LAS

Las reservas Venezolanas de condensados, livianos y pesados, con los niveles de

Para lograrlo se aplica un análisis de la influencia de las variables que afectan un

La metodología propuesta se basa en los principios del análisis de varianza

El estudio se desarrolla con problemas de Calibración, Diseño y Operación, para los

Palabras claves: Análisis de Varianza, Variabilidades, efectos principales, sistema

Lista de Figuras viii

1.1 Planteamiento y Justificación del Problema 2

1.2.1 Objetivo General 6

1.2.2 Objetivos Específicos 6

1.3 Alcance y Delimitación del Estudio 6

1.4 Estructura del Trabajo 7

Capítulo II. Formulación Matemática del Problema 8

Capítulo III. Revisión de la Literatura 12

Capítulo IV. Marco Teórico 17

4.1 Modelo matemático de un Sistema Integrado Subsuelo – 18

4.3 Análisis de la influencia relativa de las variables que 54

Capítulo V. Marco Metodológico 64

5.1 Metodología de Solución 65

5.1.1 Metodología para el modelo de Optimización 65

5.1.3 Metodología para el análisis de la influencia 72

5.2.1 Criterios para los modelos sustitutos 76

5.2.2 Criterios de evaluación para el análisis de la 77

Caso 1.- Problema de Calibración 80

Caso 2.- Problema de Diseño 82

Caso 3.- Problema de Operación 83

Capítulo VII. Análisis y Discusión de los Resultados 85

7.1 Resultados del Modelo Sustituto 86

7.2 Resultados del Análisis de la Influencia Relativa de las 92

Referencias Bibliográficas 112

3.1 Propiedades del Yacimiento 13

4.1 Correlaciones de propiedades del hidrocarburo 24

6.1 Intervalo recomendado para las variables de calibración 80

Escenarios de Producción para los casos estudiados de diseño y

6.4 Intervalo recomendado para las variables de operación 83

1.1.- PLANTEAMIENTO Y JUSTIFICACIÓN DEL PROBLEMA.

Las reservas Venezolanas, de condensados, livianos y medianos, con los

Las presiones competitivas, que van en ascenso, generan la necesidad de

Antes de empezar a diseñar un pozo se conocen variables que podrían

Al desconocer como jerarquizar y manejar las variables importantes, para

carencia de una base de datos, con la información cuantificada sistemáticamente, no

El análisis de la influencia de las variables de sistemas de producción se

Fig. 1.2 – Composición de las reservas y del paquete de producción de PDVSA.

Un estudio de simulación numérica de un sistema de producción de

En la industria petrolera no existen modelos integrados que permitan conocer, a

La figura 1.3 presenta el funcionamiento del modelo, donde se muestra cada

Figura. 1.3 - Esquema del sistema de producción de petróleo.