En el marco de la 18º edición de la Jornada en Ciencia de Datos & Inteligencia Artificial organizada por la Facultad de Ingeniería de la Universidad Austral, una serie de empresas compartieron cómo están aplicando tecnología de punta para la transformación de sus organizaciones. 

En este sentido, se destacaron algunos casos de uso en la industria del OIL&GAS llevados adelante en YPF y Pan American Energy, que plantean mejoras en los procesos.  

Casos de uso de Machine Learning en la industria del OIL&GAS

Gonzalo Mognol, Científico de Datos de YPF, compartió un proyecto que tuvo como objetivo detectar anomalías en antorchas, estos son elementos de seguridad en la refinería donde se queman residuos de los procesos. Para poder dejar atrás un monitoreo pasivo de las antorchas (se vigilan las 24hs del día por una cuestión de seguridad) se utilizó video analytics con cámaras de espectro infrarrojo.  

¿Cómo se llevó a cabo el proyecto? Se desarrolló un algoritmo para detectar una llama grande en cualquier condición climática: primero se detectó la llama grande como un objeto, luego se identificó el área de bounding box (rectángulo que envuelve al objeto que se está detectando) y, por último, se definió el contorno de la llama con algoritmos de OpenCV. Esto permitió obtener información sobre la posición de la llama y sobre las condiciones necesarias para que se produjera la llama alta. Mediante esta tecnología, disparan alertas vía email cuando sucede un evento de alto ruido y emisiones elevadas de humo negro, generalmente asociados a eventos de llama alta. 

Por su parte, Johann Cambra, también Científico de Datos de YPF, compartió otro proyecto vinculado al entendimiento del suelo en Vaca Muerta. Con el objetivo de mejorar el modelo petrofísico de Vaca Muerta, el mayor reservorio de petróleo y gas de Argentina, YPF desarrolló modelos que para entender el subsuelo y localizar dónde está el petróleo.  

Un modelo petrofísico busca entender el subsuelo, el cual está compuesto por poros (donde se encuentra el gas, el petróleo y el agua) y por una matriz (da origen a los poros). Para generar modelos confiables que simplifiquen el flujo de trabajo, se utilizaron datos de 26 pozos y datos de laboratorio. Esto permitió obtener información sobre las zonas de mayor potencial de extracción de petróleo y, además, ahorrar futuros gastos de la compañía a la hora de adquirir nueva información. 

Analítica aplicada a la industria de OIL&GAS. El caso de Pan American Energy

El Ing. Alejandro Andrés Bulgheroni, líder del proceso de transformación digital de PAE, compartió el modelo sobre el cual se trabaja en la compañía para llevar adelante proyectos basados en ciencia de datos con el objetivo de optimizar los procesos operativos de la compañía.  

Bulgheroni compartió una serie de algoritmos que han desarrollado en Pan American Energy como:  

• El clasificador de cartas dinamométricas que permite generar un diagnóstico operativo de los pozos de bombeo mecánico mediante algoritmos de inteligencia artificial para la clasificación de imágenes.  
• Un algoritmo de tiempo a la falla de bombeo mecánico (se implementó un Random Forest Survival) que permite asignar un riesgo de falla a los pozos con bombeo mecánico en función de su característica, condiciones operativas y la fatiga acumulada del equipamiento.  
• Un modelo basado en ecuaciones físicas para determinar la sumergencia de pozos con bomba PCP (Bombas de Cavidad Progresiva) en función de la lectura de torque y otras variables en los sensores de superficie.  
• El Asistente Digital de Pozos: un sistema de monitoreo de pozos que, en función de (i) las características estáticas del pozo, (ii) lecturas dinámicas de los sensores del mismo, y (iii) el resultado de modelos físicos, de inteligencia artificial y de machine learning como el clasificado de cartas dinamométricas, el algoritmo de tiempo a la falla o el modelo de presión de fondo de PCP mencionados arriba, genera una recomendación operativa tendiente a optimizar la producción y reducir el riesgo de falla.  
• Un algoritmo investigación operativa de optimización del parque de Aparatos de Bombeo (AIB)  

El principal desafío al que se enfrentan es lograr que se adopten los algoritmos efectivamente impactando en los procesos operativos. Para ello, es crítico lograr que confluyan 3 áreas de conocimiento: