Indicadores Económicos:
  • Dólar TRM:    $ 3,387.73     —     Euro:    $3,399.00     —     Bolivar (BanRep):    $284.70     —     Bolivar (Cúcuta):    $0.09     —     Café lb. (May 2019) :    US$1.2380     —     U.V.R.:    $270.5160     —     DTF:    4.64%     —     Petróleo WTI:    US$65.80     —     Usura:    30.42%     —     COLCAP:    1,528.09     —     IBR:    %     —     Inflación (Feb-2018) :    0.71%

Uso de “Big data” para asistir la toma de decisiones

El mercado actual de los precios del petróleo y los múltiples retos que afronta la industria petrolera (problemas más complejos, reducción de  descubrimientos en yacimientos convencionales, mayor número de regulaciones ambientales, menor margen de ganancia y  menor capital disponible para invertir) ha generado que tecnologías emergentes sean adoptadas como alternativas que garanticen la sustentabilidad de la industria. En este marco el uso de “big data” para asistir la toma de decisiones ha ganado un espacio importante. El objetivo de esta publicación es mostrar su aplicabilidad en la caracterización petrofísica,  a través de la explicación de la arquitectura de la información que requiere una plataforma de este tipo, para brindar soluciones eficientes a empresas operadoras de la industria de petróleo y gas.

Introducción:

El término “big data” actualmente se encuentra en múltiples publicaciones científicas. Es común pensar erróneamente que se trata solo de cualquier modelo que use enormes cantidades de datos para predecir un fenómeno. Requiere mucho más que eso. Sin embargo, una definición común y rigurosa aún no se ha acordado. En lugar de eso se describen las características que debe tener una plataforma de “big data” para generar un impacto positivo en las operaciones de la industria petrolera. Por ejemplo, Mark Kerzner & Pierre Jean Daniel indican que deben coexistir las siguientes características para que una plataforma de “big data” sea considerada como tal:

Volumen de datos: El proyecto debe contener más de 10 TB de datos, y superar la capacidad de almacenamiento de una computadora actual.

Velocidad: Miles de datos se deben crear cada segundo, los datos varían y evolucionan dinámicamente.

Variedad: Diferentes formatos de datos se deben crear, incluso debe tener la flexibilidad para soportar datos sin formato preestablecido.

Disponibilidad: Los datos, en forma íntegra, y una plataforma capaz de procesarlos deben estar disponibles sin importar el lugar y el momento que sean requeridos.

 

Un resumen que engloba lo anteriormente expuesto se presenta a continuación:

Figura 1. Múltiples características que debe poseer una plataforma de “big data”.

Desarrollo:

Cuando se piensa en las áreas potenciales dentro de la industria petrolera donde el uso de “big data” puede ser realmente atractivo, debemos apoyarnos en el conocimiento ya establecido por gigantes tecnológicos (Google, IBM, Microsoft, Oracle, por mencionar algunos) hace 20 años atrás. Padmanabhan (2004) expone que modelos funcionales convencionales no pueden dar una respuesta efectiva cuando se requiere toma de decisiones rápida, en forma imprevista, con alto volúmenes de datos, en turnos de trabajo de 24 horas todos los días de la semana, y con miembros de la cadena de decisión localizados en forma dispersa, geográficamente hablando. Cada una de las características anteriormente mencionadas coexiste dentro de la industria del petróleo y gas. Además Padmanabhan (2004) expone que aumentos en la eficiencia del 8% se encontraron cuando estas empresas tecnológicas migraron a usar flujos de trabajos asistidos por “big data”. En base a entrevistas de ejecutivos de diversos sectores industriales el encontró que las empresas que asistían la toma de decisiones basados en “big data” reducían sus tiempo de ejecución hasta en 5 veces, en comparación con competidores que usaban modelos funcionales tradicionales. Este incremento de eficiencia es producto de cuatro factores importantes:

 

  • Optimizar costos bajo la modalidad de software como un servicio a demanda: A diferencia del servicio tradicional de software por licencia el servicio a demanda ofrece la posibilidad de pagar solamente por lo que consume. Esta estructura flexible permitirá disminuir los enormes costos sumergidos en presupuesto de información & tecnología.
  • Ambiente colaborativo: Al posibilitar la transmisión de los datos a lo largo de toda la cadena de decisión se optimizará la toma de decisiones sobre los activos de subsuelo-superficie.
  • Sistemas expertos: al establecer flujos de trabajos personalizados y optimizados para cada activo mediante la implementación de sistemas expertos se promueve la transmisión de conocimiento y la innovación.
  • Movilidad: Al acceder a los datos desde cualquier lugar se reducirán tiempos improductivos originados cuando los intérpretes no están todos en el mismo lugar en el mismo momento.

 

Por lo anteriormente expuesto es que la implementación de “big data” dentro de la industria de petróleo y gas es atractiva, especialmente en el área petrofísica, porque otras industrias han absorbido los costos de desarrollo y solo a la industria petrolera le tocaría absorber los costos de implementación. Sin embargo, primero es necesario cumplir con una serie requisitos antes de generar una transformación digital. Estos son:

  • Planificar el requerimiento de capacidad de almacenamiento procesamiento y memoria: Afortunadamente, si se tiene una estructura “en demanda” es menos crítico un error de cálculo de alguno de estos factores, ya que solo se paga por lo que se consume. Esta flexibilidad no puede ser subestimada.
  • Proyectos estructurados: Tener los proyectos almacenados en forma estructurada facilitará que la transformación digital sea realizada en forma consistente y segura, especialmente por la naturaleza muldisciplinaria de los datos en estudios de yacimientos
  • Integridad: Los datos actuales almacenados de las compañías deben poseer integridad. Problemas de inconsistencia de unidades y/o referencias espaciales en profundidad y areal deben ser removidos previo a la transformación digital.
  • Tiempo: Todo lo que se planifica con anticipación resulta menos costoso. Una gerencia reactiva que se niegue a observar que es necesaria la evolución digital tendrá limitadas chances de sobrevivir.
  • Modelo organizacional: Atravesando transversalmente todos los anteriores requisitos se encuentra el disponer de un modelo organizacional que propicie la colaboración entre los miembros de la organización y que permita el compartir e integrar los datos rápidamente con clientes y proveedores de servicio.

 

Figura 2. Requisitos previos a la transformación digital para implementar “big data”

 

Para entender un poco la arquitectura de la información, que permitirá la toma de decisiones basadas en “big data”, es necesario analizar la siguiente propuesta en petrofísica:

Figura 3. Componentes claves de una arquitectura de información en petrofísica

 

  • En una capa, en cada pozo directamente en las operaciones de campo,  mientras se capturan datos en tiempo real mediante la técnica de perfilaje mientras se perfora (LWD, Logging While Drilling),  un sistema experto que incluya reglas de negocio podrá asistir en la toma de decisión de aspectos claves; por ejemplo decidir si un pozo es profundizado en función del comportamiento de los registros de pozos. O permitirá la detección de una zona de presión anormal que alerte al equipo de perforación que no es posible continuar perforando sin un revestidor reduciendo riesgos operacionales y preservando el medio ambiente. O se dispondrá de monitoreo de la geonavegación para que el pozo se mantenga dentro de la trayectoria diseñada y se mantenga alejado de zonas de agua maximizando producción de petróleo y reduciendo producción de fluidos indeseables.
  • Otra capa permitiría al interprete, en la oficina, analizar el comportamiento histórico de toda la información de la zona de interés y sus zonas vecinas, analizando cientos o miles de pozos en una corrida, integrando toda la información disponible, posibilitando que está mejor practica sea replicada y la virtualización de la información del yacimiento, posteriormente un sistema experto, de nuevo, asistirá la toma de decisiones, en función de reservas, incertidumbres, productividad y escenarios futuros de precios del crudo.
  • Finalmente, existe la posibilidad de intercambiar información con otras disciplinas, independientemente del volumen de datos de las mismas, de si son datos puntuales o son datos con alta densidad, si son datos binarios o datos de naturaleza vectorial. Y el uso de herramientas analíticas para procesar todos estos datos conllevará a modelos más robustos y certeros.

 

Conclusiones

La industria petrolera debe evolucionar si desea garantizar su preservación. No puede permanecer aferrada a prácticas pasadas que no se adaptan a la realidad actual de la industria. El uso de “big data” en petrofísica permitirá un incremento en la eficiencia de la toma de decisiones que conducirá a incrementos del rendimiento operacional, incremento de las reservas de hidrocarburos, incremento de la producción de hidrocarburos, reducción de producción de fluidos indeseables y un mejor cumplimiento de las políticas ambientales. La clave del Big Data no es la cantidad ingente de información, sino el uso y/o manejo que se haga de ella. Aunque la implementación de infraestructuras informáticas para lidiar con los grandes volúmenes de datos es costosa, esta puede proporcionar a las empresas importantes ventajas competitivas. Eso redundará en un aumento de la sustentabilidad económica de la industria.

Para seguir ahondando acerca del maravilloso mundo de la petrofísica y tener acceso a videos acerca de las últimas tendencias, herramientas y metodologías, visita el canal Youtube #CaracterizacionPetrofisica mediante el siguiente enlace:

https://www.youtube.com/watch?v=CFM_NwhIAjw

 

Bibliografía

 

  1. Vishy Padmanabhan (2014). Big Data analytics in oil and gas. Bain & Company.
  2. Mark Kerzner and Pierre Jean Daniel. S. Srinivasan( 2018).Guide to Big Data Applications, Studies in Big Data 26, DOI 10.1007/978-3-319-53817-4_. Springer International Publishing AG.
  3. Bello O., Srivastava, D., & Smith, D. (2014). Cloud-based data management in oil and gas fields: advances, challenges, and opportunities. https://www.onepetro.org/conference-paper/ SPE-167882-MS.
  4. Birman, K. (2006). Reliable distributed systems. London: Springer. http://www.springer.com/us/book/9781447124153.
  5. Kerzner, M. (1986). Image Processing in Well Log Analysis. IHRDC publishing. Republished by Springer in 2013. https://www.amazon.com/Image-Processing-Well-Log-Analysis/dp/9401085765/.

 

ACERCA DEL AUTOR:

César Aguilar es un Petrofísico Senior que labora en PDVSA desde el año 2005. Sus principales intereses incluyen la caracterización de yacimientos, registros especiales, y data mining. César posee un postgrado en Caracterización avanzada de yacimientos otorgado por el IFP. El es miembro de la SPE y de la SPWLA.

Etiquetas
Compartir este artículo

Publicado por César Aguilar

Petrofísico senior para PDVSA desde 2005. Sus áreas de interés de investigación son la caracterización petrofísica, registros especiales y data mining. Posee un postgrado del IFP en caracterización avanzada de yacimientos

Noticias relacionadas