Día 1. Introducción a la IA y el AA en la industria petrolera: oportunidades y desafíos.
- Bienvenida e Introducción.
- Objetivos del curso y expectativas.
- Consideraciones éticas y desarrollo responsable de la IA.
Fundamentos del Aprendizaje Automático:
- Historia y conceptos fundamentales del AA: características, entrenamiento, prueba, algoritmos clave, aprendizaje supervisado y no supervisado.
- Tipos de datos y protocolos de reporte en la industria del petróleo y gas.
- Importancia de integrar datos de presión, caudal y formación.
- Recopilación de datos confiables de pruebas de pozos y monitoreo de yacimientos.
- Enfoques prácticos para asegurar y verificar la calidad de los datos.
Modelado Top-Down (TDM)
- Componentes de un Modelo Top-Down.
- Control de Calidad y Aseguramiento de la Calidad de los Datos para TDM.
- La Base de Datos Espacio-Temporal: Datos Estáticos y Dinámicos, Resolución en Tiempo y Espacio, Papel de los Pozos Vecinos.
Práctica y Discusión:
- Ejercicio: Análisis de un conjunto de datos de petróleo y gas para identificar posibles problemas de calidad de datos y proponer estrategias de mitigación. Discusión sobre la aplicación de IA/AA a TDM.
Ejercicio Práctico: Ejercicios de Práctica con Programación en Python y Google Colab
Día 2. Preprocesamiento y Análisis Exploratorio de Datos (EDA)
Análisis Exploratorio de Datos (EDA):
- Familiarización con métodos para identificar, recopilar, manipular, transformar, normalizar, limpiar y validar datos.
- Tratamiento de variables categóricas: codificación one-hot, codificación de etiquetas.
- Estrategias para superar las lagunas de datos: imputación de datos, modelos de conjunto, aprendizaje activo.
- Escalado de datos: propósito e importancia, escalado estándar, escalado min-máx, escalado robusto.
- Criterios de selección del método de escalado.
Práctica y Discusión:
- Introducción al desafío EDA y presentación de la historia de la «Cuenca Dorada» con datos geológicos, de operaciones y una lista de recursos disponibles.
- Análisis exploratorio de datos (EDA) en Python y Colab.
- Discusión grupal: perspectivas de los datos, temas clave y oportunidades.
Introducción al Aprendizaje Profundo:
- Diferencia entre el aprendizaje automático (ML) y el aprendizaje profundo (Deep Learning).
- Conceptos básicos del aprendizaje profundo.
- Redes neuronales: Tipos, estructuras y componentes básicos.
Día 3. Modelado Predictivo con Aprendizaje Supervisado (Regresión) y Regularización
Introducción al Aprendizaje Supervisado y Regresión
- Algoritmos y bases fundamentales del AA: clasificación, regresión y árboles de decisión.
- Tratamiento de variables categóricas: codificación one-hot, codificación de etiquetas.
- Introducción al aprendizaje supervisado: regresión y clasificación.
- Requisitos básicos para un modelo multivariado: homocedasticidad, linealidad, normalidad multivariada, etc.
- Ingeniería y selección de características: identificación y transformación de variables relevantes.
- Regresión lineal: teoría, implementación y evaluación del modelo. Modelos adicionales: árboles de decisión.
- El problema del sobreajuste: comprensión del equilibrio entre sesgo y varianza. Métodos para prevenir el sobreajuste.
Práctica y Discusión
- Construcción de un modelo de regresión lineal para predecir la producción de petróleo en función de las propiedades del yacimiento y los datos de completación de pozos.
- Aplicación de regularización Lasso, Ridge y Elastic Net. Comparación del rendimiento e interpretación del impacto de cada técnica en el modelo.
Día 4. Modelado Avanzado, Simulación y Aplicaciones en Yacimientos
- Ajuste de Hiperparámetros y Optimización del Modelo.
- Técnicas de validación cruzada para una evaluación robusta del modelo.
- Búsqueda en cuadrícula y búsqueda aleatoria para el ajuste de hiperparámetros. Introducción al aprendizaje supervisado: regresión y clasificación.
- Optimización de parámetros de regularización para diferentes métricas de rendimiento.
Modelo de Yacimientos y Simulación
- Introducción a la simulación de yacimientos: Tipos de simuladores, Modelado de flujo en medios porosos.
- Aplicación de IA/AA a la simulación de yacimientos: Calibración de modelos, Análisis de incertidumbre, Optimización de la producción.
- Ajuste de Historial del Modelo Top-Down: Ajuste de Historial Secuencial, Ajuste de Historial Aleatorio, Ajuste de Historial Mixto, Validación del Modelo Top-Down.
- Análisis Posterior al Modelado del Modelo Top-Down: Predicción de la Producción de Petróleo, GOR y WC, Optimización del Ajuste del Estrangulador, Optimización de la Inyección de Agua, Determinación de Ubicaciones de Pozos de Relleno, Análisis de Incertidumbre.
Estudio de Casos y Aplicaciones:
- Aplicaciones específicas de IA/AA en la caracterización y simulación de yacimientos convencionales.
- Ejemplos y Estudios de Caso: AA para optimización de producción.
- Tendencias futuras y desafíos en la aplicación de IA/AA en la industria del petróleo y gas.
Ejercicio Práctico: Ejercicios de Práctica con Programación en Python y Google Colab
