Detección de anomalías en los separadores en el Pozo CUR-X1001LL mediante modelos de aprendizaje automático.

Abstract

En el presente proyecto de Grado titulado: “DETECCIÓN DE ANOMALÍAS EN LOS SEPARADORES EN EL POZO CUR-X1001 MEDIANTE MODELOS DE APRENDIZAJE AUTOMÁTICO” se plantea la idea de realizar un algoritmo de aprendizaje automático capas de predecir la cantidad de gas en la salida del separador de prueba, para compararlos con el valor real. Es decir que comparar la cantidad de Gas registrada y la predicha para ser capaz de detectar anomalías, estas se pueden ver afectadas ya sea por la antigüedad del pozo o dentro del separador algún imperfecto. Se escogieron la metodología KDD para tratar los datos, se empezó con un dataframe de dimensiones 53 filas y columnas, se usaron 6 diferentes métodos y 2 modelos de aprendizaje automático que fueron la regresión lineal simple y la regresión lineal múltiple. Los criterios de los cuales se partieron fueron usar algoritmos capaces de graficar si existe correlación entre las variables. Donde se vio una fuerte correlación entre la cantidad de gas de salida y también la cantidad de condensado. Se entrenaron los modelos y métodos con el 70% de los datos y 30% para su examen correspondiente. Para los métodos que se usaron fueron: criterio de eliminación de valores atípicos estadísticamente, normalización, p_value. Al analizar las métricas se evidencio que el método 6 presenta mejores métricas. Se crearon algoritmos capaces de alertar en caso de presentarse un valor anómalo en la salida del separador en la salida de gas.