APLICACIN DEL MODELO COSTO-RIESGO PARA LA SELECCIN PTIMA DE FRECUENCIAS DE REEMPLAZO DE BOMBAS ELECTROSUMERGIBLES EN POZOS DE PRODUCCION DE PETROLEO Ing.

Karina Semeco R M 2 Ing. Medardo Yaez R M

2

con Simulacin de Montecarlo (mtodo numrico) o con el Mtodo de los Momentos basado en la Serie de Taylor (mtodo analtico)
Fig 2. Modelo Basico Propuesto
Variables de Entrada (Informacin)
A
0,15 0,15 0,15 0,15 0,15

INTRODUCCION
La Metodologa que a continuacin se detalla esta basada en un Modelo de Optimizacin denominado Modelo Costo-Riesgo, el cual permite determinar el nivel ptimo de riesgo y el nmero adecuado de mantenimientos para obtener el mximo beneficio con mnimo impacto en el negocio. Para el caso particular en el que se aplica este procedimiento se consider la estadstica de fallas de 129 bombas electrosumergibles instaladas en pozos productores empacados pertenecientes a una unidad de explotacin en la industria del gas y del petrleo, los cuales son productores de un mismo yacimiento

B
0,76 0,78 0,80 0,82 0,85

,083 ,062

E=
C
18,50 19,25 20,00 20,75 21,50

(A+B+C) D

,041 ,021 ,000

50.680,17
1,000 ,750

54.456,64

58.233,11

62.009,58

65.786,05

D
0,92 0,93 0,95 0,96 0,98

,500 ,250 ,000

50.000,00

54.375,00

58.750,00

63.125,00

67.500,00

ETAPA 1:
CUANTIFICACION DE LA INCERTIDUMBRE ASOCIADA A LAS VARIABLES DE ENTRADA O CARACTERIZACION PROBABILISTICA DE LAS VARIABLES DE ENTRADA

ETAPA 2:
PROPAGACION DE LA INCERTIDUMBRE ASOCIADA A CADA VARIABLE EN EL MODELO MATEMATICO.

ETAPA 3:
CUANTIFICACION DE LA INCERTIDUMBRE ASOCIADA A LA VARIABLE DE SALIDA O RESULTADO, O CARACTERIZACION PROBABILISTIA DEL RESULTADO

TERMINOS BASICOS
Probabilidad de Falla: es una medida de la posible ocurrencia de un evento de falla. Puede estar basada en historia de falla (estadstica) en la condicin ( monitoreo del deterioro). Distribucin Probabilstica: modelos que permiten caracterizar y cuantificar la incertidumbre asociada a una variable; es decir modelos que consideran todos los posibles valores que dicha variable puede tomar. Riesgo: Termino de naturaleza probabilstica, definido como la probabilidad de tener una perdida y comnmente se expresa en unidades monetarias. Su propsito fundamental es soportar el proceso de toma de decisin.
Fig 1. Riesgo

Modelos de decisin basados en riesgo: existen tres tipos de modelos que permiten la toma de decisiones considerando el riesgo asociado al proceso, estos son: Modelos pasa o no pasa, Modelos de jerarquizacin y Modelo de Optimizacin. En esta aplicacin se hace utiliza un modelo de optimizacin conocido como Optimizacin Costo-Riesgo.

Descripcin Descripcin del del Proceso Proceso // Sistema Sistema

Estimacin Estimacin de de Probabilidades Probabilidades

Cuantificacin Cuantificacin Del Del Riesgo Riesgo

Estimacin Estimacin de de Consecuencias Consecuencias

Basada en la Historia (Estadstica del Proceso/Sistema)

Basada en la Condicin (Monitoreo del Proceso/Sistema)

Impacto Ambiental Costo de Reparacin Prdidas de Mercado

Impacto Personas Prdidas de Reputacin Prdidas de Produccin Prdidas de Ventajas Tecnolgicas

Basado en el conocimiento emprico del proceso

Modelo de Optimizacin Costo Riesgo: modelo que permite determinar el nivel ptimo de riesgo y la cantidad adecuada de mantenimiento, para obtener el mximo beneficio o mnimo impacto en el negocio. En la figura 3 se muestra grficamente el modelo mencionado, y en el mismo pueden destacarse tres curvas que varan en el tiempo: .- la curva del nivel de riesgo (riesgo = probabilidad de falla x consecuencia) .- la curva de los costos de la accin de mitigacin del riesgo, en la cual se simulan los costos de diferentes frecuencias para la accin propuesta. .- la curva de impacto total, que resulta de la suma punto a punto de la curva de riesgos y la curva de los costos. El mnimo de esta curva, representa el mnimo impacto posible en el negocio y esta ubicado sobre el valor que puede traducirse como el perodo o frecuencia ptima para la realizacin de la actividad de mitigacin; un desplazamiento hacia la derecha de este punto implicara asumir mucho riesgo y un desplazamiento hacia la izquierda del mismo implicara gastar demasiado dinero. Es importante resaltar que cada una de dichas curvas representas distribuciones probabilsticas ya que se parte del hecho de que se ha considerado el nivel de incertidumbre de las variables de entradas.
Fig 3. Modelo Costo-Riesgo

IMPACTO TOTAL=I(t) TOTAL=I(t)

COSTO POR AO (MMBs)

Consecuencia: esta referida al efecto ocasionado por una accin y puede estar representado por perdidas de produccin, costos de reparacin, impacto ambiental, impacto en seguridad entre otros. Incertidumbre: es una medida de la inseguridad o grado de desconocimiento acerca de una variable o evento Modelo Bsico propuesto para la evaluacin del nivel de incertidumbre presente en una decisin: se refiere al modelo en el cual se reconoce, cuantifica y propaga la incertidumbre asociada a las variables de entrada en las variables de salida. Tradicionalmente estos modelos se manejan matemticamente

I(t)= IMPACTO TOTAL SOBRE EL NEGOCIO I(t)=R(t)+C(t) 3500 3000 2500 2000 1500 1000 500

Punto Optimo

RIESGO=R(t) RIESGO=R(t)
R(t)=PROB. DE FALLA X CONSECUENCIA

COSTO=C(t) COSTO=C(t)
C(t )= COSTO DE LA ACCION PROPUESTA PARA DISMINUIR EL RIESGO; MODELADO A DIFERENTES FRECUENCIAS.

9 10 11 12 1 3 14 15 16 17 18 19 20

INTERVALO DE TIEMPO (ANOS)

Fig 4. Flujograma del Modelo Costo-Riesgo Fig 6. Modelo de Base de Datos

POZO

SOFTWARE UTILIZADO
La herramienta utilizada dentro de esta metodologa fue el software Crystal Ball un complemento (add-in) de Excel, el cual es desarrollado y comercializado por empresa Decisioneering. Es un software de fcil uso que permite determinar las distribuciones probabilsticas de una serie de datos especficos o en su defecto asignar a una serie de datos un comportamiento conocido con base a la opinin de expertos. Igualmente facilita los procesos de simulacin de Montecarlo.

UD 612 UD 619 UD 623 UD 624 UD 626 UD 632 UD 634 UD 635 UD 637 UD 638 UD 640 UD 662 UD 676 UD 678 UD 679 UD 680 UD 681 UD 682 UD 685 UD 688 UD 692 UD 693 UD 694

DIAS OPER 312 738 393 564 589 315 693 182 717 590 619 1.363 634 583 641 578 611 597 377 360 169 135 50 681

TIEMPO (HORAS) 0,9 2,0 1,1 1,5 1,6 0,9 1,9 0,5 2,0 1,6 1,7 3,7 1,7 1,6 1,8 1,6 1,7 1,6 1,0 1,0 0,5 0,4 0,1

BBPD 266 470 747 186 700 190 660 700 651 930 288 591 550 740 727 640 1081 1740 796 368 767 798 637 681

BNPD 137 429 732 155 681 187 621 638 626 553 280 568 545 732 144 631 107 172 694 352 757 788 620 399

b. Se ubica el cursor y se activa la celda de la variable sujeta al anlisis. Esta celda debe estar definida por un valor numrico colocado manualmente. Generalmente, se coloca el valor promedio del conjunto de datos asociados a dicha variable. Ver Figura 7.
Fig 7. Modelo de Base de Datos

CASO PRCTICO
A continuacin se presenta una metodologa detallada para determinar el tiempo ptimo de reemplazo de equipos de Bombeo Electro sumergible para una Unidad de Explotacin de Petrleo basado en el Modelo Costo-Riesgo, haciendo uso del software Crystal Ball, tal metodologa de trabajo puede ser extendida a cualquier campo que produzca petrleo con este mtodo. Para dicho anlisis se parti de data inicial real correspondiente a 129 pozos con BES. Paso 1: Determinar una distribucin Acumulada de la Variable Das de Operacin sin falla. Para generar una Distribucin Probabilstica a partir de un conjunto de datos reales, se utiliza la herramienta Crystal Ball. Este Software debe estar instalado en la PC o a nivel de Red, el cual al ser activado, presentar un libro Excel con una barra de herramientas adicional a la tradicionalmente conocida en este programa, tal y como se muestra en la figura 5:
Fig 5. Barra de Herramienta Crystal Ball

UD 692 UD 693 UD 694

169 135 50 681

767 798 637 681

757 788 620 399

Promedio Das de Operacin

c.- Una vez ubicados en la celda correspondiente se hace un click en el icono de Define Assumption (Ver figura 8), sobre la barra de herramientas para activar la distribucin Probabilstica:
Fig 8. Modelo de Base de Datos

Define Assumption

Barra de Herramientas Crystal Ball

El programa mostrar automticamente la galera de modelos probabilsticos, tal como se muestra en la figura 9:
Fig 9. Galeria de Distribuciones

Para la generacin de las distribuciones probabilsticas se debe seguir el siguiente procedimiento: a.- En una hoja Excel, con la aplicacin de Cristal Ball activada se organiza la informacin sujeta al anlisis, para el ejemplo, un conjunto de datos asociados a pozos, en este caso: das de operacin de las BES, produccin bruta y produccin neta, tal como se muestra en figura6:

d. Para seleccionar la distribucin que mejor se ajusta al setde datos debe hacerse en el recuadro Fit. El programa mostrar en pantalla un recuadro donde el usuario indicar el rango de datos a cotejar probabilsticamente, tal como lo muestra la figura 10:
Fig 10. Seleccin de Datos

f. Se ubica el cursor y se activa la celda de la variable sujeta al anlisis. Seleccionar el icono Define Forecast de la barra de herramientas. Este icono le indica al sistema la ejecucin de una ecuacin en donde el resultado ser una distribucin probabilstica calculada, a partir de una Simulacin Montecarlo.
Fig 14. Botn Define Forcaste

Define Forcaste

e. Hacer click en el recuadro Next para ir a la siguiente pantalla, en este momento se activarn las opciones indicadas en la figura 12. Para finalizar se hace click en el recuadro OK. Se recomienda seleccionar como Ranking Method a Chi-Square Test cuando se cuenta con ms de 25 datos.
Fig 12. Definicin de la Distribucin Probabilstica

g. Para iniciar el calculo, se hace click en el icono Start Simulation de la barra de herramientas. En este momento se observar en pantalla todas las iteraciones realizadas por el programa. El resultado tendr ahora una distribucin probabilstica definida, la cual ser producto de combinar aleatoriamente las distribuciones asociadas a cada variable. En la siguiente figura se observa la distribucin probabilstica para la variable das de operacin:
Fig 15. Distribucin Probabilistica Das Operativos

El programa muestra en cada una de las grficas la comparacin entre el modelo probabilstico generado en su formato acumulado y la data real en forma de histograma acumulado; tal como se muestra en la figura 13.
Fig 13. Definicin de la Distribucin Probabilistica

h. Si se desea determinar la distribucin probabilstica acumulada de la variable das de operacin, hacer click en View y seleccionar Cumulative Chart.
Fig 16 Distribucin Acumulada Das Operativos sin falla

Paso 4: Calcular la distribucin del riesgo para cada tiempo de operacin, considerando: RIESGO = PROBABILIDAD DE FALLA * CONSECUENCIA CONSECUENCIA = (bnpd* precio de venta * tiempo de reparacin) + Costos de reparacin + probabilidad de daar el pozo * (bnpd* precio de venta * tiempo de reparacin)
Forecast: C131 10.000 Trials
1,000

Cumulative Chart

157 Outliers
10000

,750

Si no se cuenta con suficiente data histrica, se recomienda considerar las variables precio de venta del crudo, tiempo de reparacin, costos de reparacin como distribuciones triangulares construidas a partir de la opinin del experto.
P R E C IO D E V E N T A ($ /B L ) M IN IMO P R O M E D IO 10 18 C O S T O D E R E P AR AC IO N M IN IMO P R O M E D IO 30 00 0 0 40 0 00 0
D148

,500

,250

,000 0 563 1.125 1.688 2.250

M AX IMO 21 ( $) M AX IMO 60 0 00 0

18

40 0
10,00 12,75 15,50 18,25 21,00

Paso 2: Determinar una distribucin Probabilstica de la Variable produccin neta por da (BNPD). Repetir el procedimiento anterior para la variable bnpd.
D131

T IE M P O D E R E P AR AC IO N (IN T R + E S P E R A D E G AB AR R A) M IN IMO P R O M E D IO M AX IMO 20 30 40 T IE M P O D E R E P AR AC IO N (IN T R ) M IN IMO P R O M E D IO M AX IMO 5 7 10

D158

40

10
5,00 6,25 7,50 8,75 10,00

Fig. 19. Distribucin Triangular Precio de Venta ($/bl)

Considerar la probabilidad de daar el pozo, como: P= probabilidad de daar el pozo = Nmero de pozos daados / Nmero total de pozos = 1/10 = 0.01 Paso 5: Determinar la distribucin del costo para tiempo de operacin del equipo.

0,00

305,90

611,80

917,69

1.223,59

Fig 17. Distribucion Lognormal de la Variable BNPD

Paso 3: Definir a partir de la Distribucin Acumulada de la Variable Das de Operacin sin falla (Fig. 16) la probabilidad de falla para tiempos especficos de operacin, como se muestra a continuacin:
Tiempo 250 500 750 1000 1250 1500 1750 2000 2250 Probabilidad de falla 23,05 46,74 63,77 77,02 85,85 91,47 95,06 97,19 98,66 Confiabilidad 76,95 53,26 36,23 22,98 14,15 8,53 4,94 2,81 1,34

COSTO = (bnpd* precio de venta * tiempo de mantenimiento) + costos de reparacin + probabilidad de daar el pozo * (bnpd* precio de venta * tiempo de reparacin)
RIESGO 17014.6 34501.6 47072.5 56853.1 63371.0 67519.5 70169.5 71741.8 72826.9 Tiempo (AO) 0.7 1.4 2.1 2.7 3.4 4.1 4.8 5.5 6.2 Probabilidad de Confiabilidad falla 23.05 76.95 46.74 53.26 63.77 36.23 77.02 22.98 85.85 14.15 91.47 8.53 95.06 4.94 97.19 2.81 98.66 1.34 COSTO 1 73816.0 36908.0 24605.3 18454.0 14763.2 12302.7 10545.1 9227.0 8201.8 IMPACTO TOTAL 1 90830.588 71409.5984 71677.79653 75307.0832 78134.236 79822.16187 80714.63246 80968.7704 81028.64338

Paso 6: Realizar Forcast para cada riesgo y costo calculado en el paso previo. Paso 7: Considerar el riego y los costos como bandas de certezas, el Crystal Ball permite establecer las bandas de la siguiente manera: a. Hacer click en el icono Trend chart (Ver figura 20), el programa mostrara las bandas de certeza para la seleccin.

Representando dichos resultados en forma grfica, como se muestra en la siguiente figura, se observa que a partir de los 500 das de operacin la probabilidad de falla es mayor del 50%.
100 90 80 70 60

Probabilidad de Falla Probabilidad de Falla

50 40 30 20 10 0 0.7 1.4 2.1 2.7 3.4 4.1 4.8 5.5 6.2

Confiabilidad Confiabilidad

Trend Chart

Fig 20. Banda de Certeza del Riesgo

Tiemp o (ao s )

Fig 18. Probabilidad de Falla / Confiabilidad

La figura 21 demuestra que existe un 90 % de certeza que el riego a los 750 das de operacin esta entre 220-380 MMBs.

Fig 24. Modelo Costo-Riesgo

CONCLUSIONES
El anlisis del Modelo Costo-Riesgo permite determinar el pero odo o frecuencia optima para la realizacin de la actividad de mitigacin con mn nimo impacto en el negocio. Para el caso ejemplo desarrollado la frecuencia optima de as d e reemplazo de BES es de aproximadamente 600 da operacin. El modelo esta dominado en este caso por la corva de riesgo; y esta a su vez esta altamente influenciada por la alta frecuencia de fallas y por los largos tiempos de improductividad de los pozos que fallan hasta que son reparados. Se recomienda iniciar un Anlisis Causa Raz para atacar la alta frecuencia de fallas de este tipo de bombas y las causas de los largos tiempos de reparacin que siguen a una falla. El objetivo fundamental del clculo o determinacin del Riesgo es predecir todos los posibles flujos de caja, considerando los egresos probable asociados a fallas de las bombas, para darle certidumbre al proceso de toma de dec i s i ones

Fig 21. Banda de Certeza del Riesgo

Fig 22. Banda de Certeza del Costo

RECOMENDACIONES
Paso 6: La curva de impacto total resulta de la suma punto a punto de la curva de riesgo y la curva de costo. El mnimo de esta curva representa el mnimo impacto posible y esta ubicado sobre el valor que puede traducirse como el periodo o frecuencia optima para la realizacin del reemplazo de las Bombas BES, en nuestro caso la frecuencia optima de reemplazo esta alrededor de los 600 das de operacin. En la figura 23 muestra la banda de certeza para el impacto total. La figura 24 representa las curvas riesgo, costo e impacto considerando los puntos mas probables para cada curva. Aplicar el Modelo de Optimizacin (Costo-Riesgo) para determinar el pero odo o frecuencia optima de realizacin de cualquier actividad de mitigacin de riesgo. Esto garantizar polticas y estrategias de mnimo impacto en el negocio y mxima rentabilidad. A d o p ta r c o m o buena prctica el considerar la incertidumbre en las variables de entradas a los modelos de decisin y considerar el riesgo como un egreso probable en cualquier evaluacin econmica.

REFERENCIAS BIBLIOGRAFICAS Gerencia de la Incertidumbre Yaez, Gmez de la Vega, V a l b ue n a - E n e r o 2 0 0 2 Murtha, James - Decisions Involving Uncertainty Palisade Corporation, New York USA 2000. Marshall, F.M.; Mosleh, A.; Rasmuson, D.M., Guidelines on Modeling Common-Cause Failures in Probabilistic Risk Assesment. U.S. Nuclear Regulatory Commission, Washington D.C., 1998. Crystal Ball User Manual Release 2000.2, Decisioneering Inc. USA 2001. @Risk- Risk Analysis and Simulation add-in for Microsoft Excel, Release 4.0 Users Guide, Paisade Corporation; Newfield New York USA 2000. Best Fit Distribution Fitting for Windows Release 4.5 User Guide, Palisade Corporation, Newfield New York USA 2000. Murtha, James Incorporing Historical Data in Monte Carlo Simulation, Paper SPE 26245, presentado en la Petroleoum Computer Conference en New Orleans USA 1993. Modarres, Mohammad; Kaminsky, Mark; Kritsov, Vasily. Reliability Engineering and Risk Analysis. Marcel Dekker, New York USA 1999.

Fig 23. Banda de Certeza del Impacto

MODELO COSTO-RIESGO
1 0 0 0 0 0 .0

8 0 0 0 0 .0

IMPACTO TOTAL IMPACTO TOTAL

6 0 0 0 0 .0

RIESGO RIESGO PUNTO OPTIMO PUNTO OPTIMO

$
4 0 0 0 0 .0

2 0 0 0 0 .0

COSTO COSTO 600 DIAS 600 DIAS

0 .0 0 .7 1 .4 2 .1 2 .7 3 .4 4 .1 4 .8 5 .5 6 .2

TIEMPO (AO)

Cosse, Rene Basics of Reservoirs Engineering Instituto Frances del Petroleo; Gulf Publishing Company, Houston USA 1993. Newendorp, P.D A Method for Treating Dependencies Between Variables in Simulation Risk Analysis Models Paper SPE 5581, USA 1976 Murtha, James When Does Correlations Matter ?, Artculo pubicado en la Revista Risk Anlisis for the Oil Industry Harts E&P USA 2000. 1993. Manual de Referencia del Curso PBC III: Ingeniera de Confiabilidad. CIED Tamare Mayo-Junio 2002.