1

Tecnologas Emergentes de Informtica y su Impacto en la Industria del Petrleo y Gas

Pablo Alberto Luchetti

Julio 2015

Universidad de Buenos Aires

Facultad de Ciencias Econmicas
Seminario Lmites Tecnolgicos y Tendencias en Informtica

2
Indice
3

ndice (continuacin)

Abstract e Introduccin

Inteligencia Artificial

Geologa del Petrleo

Desarrollo

Tecnologas Emergentes

Machine Learning,
Artificial Neural Network, Genetic Algorithm

Analytics, Predictive Analytics, Expert

Systems, Big Data

Fuzzy Expert Systems, Adaptive NeuroFuzzy Inference Systems

Genetic Fuzzy Systems, Neuro-Fuzzy

10

Data Mining, Knowledge Management,

Cluster Analysis

11

Support Vector Machine, Functional

Networks

12

12
13

Aplicacin de las Tecnologas Emergentes al Petrleo y

Gas
Modelaje de Reservorio
Recientes Aplicaciones Utilizando Inteligencia Artificial en
La Industria del Petrleo y Gas

14

Oilfield Analytics, Knowledge Management

15

Expert Systems, Fuzzy Expert Systems, Data Mining

En Petrleo y Gas

16

Clustering, Geoestadistica, Estrategias Evolucionadas

En Petrleo y Gas

3
17

Conclusiones

18

Bibliografia

19

Bibliografia (continuacin)

Abstract
El siguiente trabajo tratara de explicar un nmero de diecisis (16) tecnologas emergentes,
que estn englobadas dentro de la Inteligencia Artificial (Artificial Intelligence, AI) y de los Sistemas
de Informacin Computacionales (Informatics), y su aplicacin en la industria del petrleo y gas (P
& G). Esta industria es una de las ms lucrativas y tambin una de las mas riesgosas a nivel
inversin y cobro de vidas humanas. La cantidad de informacin que se maneja hace necesario la
aplicacin de softwares inteligentes, tanto en la fase de exploracin como la de produccin. El
grado de incertidumbre, tanto en la faz exploratoria como de produccin, es muy grande, y para
disminuir dicha incertidumbre se hizo cabida a las tecnologas informticas.
Estas tecnologas incluyen algoritmos matemticos y estadsticos, que son aplicados en los
siguientes escenarios: (a) modelaje del reservorio con el propsito de estimar reservas y el
desarrollo del campo petrolfero, (b) caracterizacin del reservorio, se refiere al modelaje de
actividades al punto de simular el flujo de fluidos (petrleo y gas). Un modelo preciso es aquel que
contiene datos geolgicos, geofsicos y de ingeniera de reservorios. Como se ve, la cantidad de
data es inmensurable, sacadas de varias disciplinas cientficas y de ingeniera. Para poder realizar
un modelo del reservorio hay que contar con data que no es dudosa, que sea confiable.
Dentro de los parmetros que se toman en cuenta estn el tipo de roca, su porosidad y
permeabilidad, el comportamiento de las rocas al paso de una corriente elctrica (well logs),
presin capilar, dinmica de fluidos, temperatura, volumen, petrofsica, etc. Estos datos y otros
ayudan a generar una simulacin numrica y un modelaje del reservorio, (Le Ravelec, Doligez,
Brigitte, Lerat, Olivier, 2014).
Analizando las tecnologas emergentes de informtica aplicadas a P & G, se decidi por las
siguientes diecisis, en base a su utilizacin en dicha industria: redes neuronales (neural networks),
algoritmos genticos (genetic algorithms), lgica difusa (fuzzy logic), analticos (analytics),
analticos predictivos (predictive analytics), sistemas expertos (expert systems), gerenciamiento del
conocimiento (knowledge management), sistemas expertos difusos (fuzzy expert systems), minera
de datos (data mining), redes neuronales adaptivas (adaptive neural networks), sistemas de
inferencia neuronales difusos adaptivos (adaptive neuro fuzzy inference system), gentica difusa
(genetic fuzzy), neuronal difusa (neuro fuzzy), anlisis de grupos (cluster analysis), apoyo de
maquinas de vectores (support vector machine), y redes funcionales (functional networks). No
todas las tcnicas emergentes en IA sern discutidas a travs de una aplicacin prctica en este
trabajo.
Introduccin
La informtica es la ciencia de los sistemas de informacin computacionales. Siendo un campo
acadmico envuelve la prctica de los procesos de informacin, y la ingeniera de los sistemas de
informacin. Estudia la estructura, los algoritmos, comportamiento, y las interacciones entre los
sistemas naturales y artificiales, que, archivan, procesan, acceden, y comunican informacin. El
campo en cuestin, considera la interaccin entre humanos y los sistemas de informacin a lo largo
de la construccin de interfaces computacionales. Tambin desarrolla sus propios conceptos y
fundaciones tericas y utiliza las bases desarrolladas en otros campos. Como tal, el campo de la
Informtica abarca muchas otras especializaciones incluyendo la ms particular de las disciplinas
de las ciencias de la computacin. Desde el advenimiento de las computadoras, individuos y

5
organizaciones procesan cada vez ms informacin de manera digital. Esto abri al estudio de la
informtica con aspectos computacionales, matemticos, biolgicos, cognitivos, y sociales,
incluyendo el estudio del impacto social de las tecnologas de la informacin. De todas maneras,
es importante notar que la Informtica como un campo acadmico no es explcitamente
dependiente sobre aspectos tecnolgicos de la informacin, mientras que la tecnologa de la
informacin si lo es. (https://en.wikipedia.org/wiki/informatics). Traduccin ma.
Definicin de Informtica acorde a la Universidad de California en Irvine, Departamento de
Informtica, EEUU, es el estudio del diseo interdisciplinario, aplicacin, y el uso y el impacto de
la tecnologa de la informacin. La disciplina de la informtica est basada en el reconocimiento
que el diseo de esta tecnologa no es solamente una cuestin tcnica, pero debe enfocarse en la
relacin entre la tecnologa y su uso en escenarios mundiales reales. En otras palabras, la
informtica disea soluciones en contexto, y toma en consideracin en lo social, cultural y
organizacional en donde la computacin y la tecnologa de la informacin sern usadas
(https://en.wikipedia.org/wiki/Informatics). Traduccin ma.
Hay varias definiciones de Informtica en las diversas bibliografas, como as tambin las
especialidades a las cuales se hacen referencia. Teniendo en cuenta la definicin de las Ciencias
de la Informacin, esta dice la Ciencia de la Informacin es un campo primariamente
interdisciplinario, concerniente con el anlisis, coleccin, clasificacin, manipulacin,
almacenamiento, recuperacin, movimiento, diseminacin, y proteccin de la
informacin.(https://en.wikipedia.org/wiki/information_science). Traduccin ma.
La Inteligencia Artificial (IA), es la inteligencia exhibida por maquinas o software. Es tambin el
nombre del campo acadmico que estudia cmo crear computadoras y programas de computacin
que sean capaces de un comportamiento inteligente. Una mayora de investigadores y en la
bibliografa, definen a la IA como el estudio y diseo de agentes inteligentes, en donde un agente
inteligente es un sistema que percibe el entorno (o ambiente) y toma acciones que maximizan las
chances de xito.
Los problemas centrales, u objetivos o metas, de la IA, incluyen razonamiento conocimiento,
planeamiento, aprendizaje, procesamiento natural del lenguaje, percepcin y la habilidad para
mover y manipular objetos. Actualmente, los enfoques populares incluyen mtodos estadsticos,
inteligencia computacional y simbolismos tradicionales en IA. Hay un gran nmero de herramientas
usadas en la IA, incluyendo versiones de bsqueda y optimizacin matemtica, lgica, mtodos
basados en probabilidad y economa y afines. El campo de la IA es interdisciplinario, en donde un
numero grande de ciencias y profesiones convergen, incluyendo ciencias de la computacin,
matemticas, psicologa, lingstica, filosofa, y neurociencias, como as tambin otros campos
especializados como la psicologa artificial, (https://en.wikipedia.org/wiki/Artificial_intelligence).
Traduccin ma.
Geologa del Petrleo: Exploracin y Desarrollo: Como este trabajo presenta la aplicacin de
tecnologas emergentes inteligentes a la industria del petrleo y gas, se dar una breve
introduccin a la Geologa del Petrleo, en su faz exploratoria y de desarrollo (o produccin). El
petrleo es un hidrocarburo basado en los enlaces hidrogeno-carbono que forman compuestos
orgnicos. Se lo encuentra en tres faces: gaseoso, lquido y solido. La ocurrencia del mismo se
da en ambientes naturales en el subsuelo, entrampado en rocas reservorio sedimentario, que
promueven la acumulacin del fluido a travs del tiempo geolgico. La generacin del petrleo se
da en sedimentos piognicos marinos, sedimentos piognicos no marinos, y cuencas
sedimentarias, generalmente a travs de la descomposicin de microorganismos como ser plantas
y animales.

6
Esta industria, en su faz exploratoria y de explotacin, crea un volumen de datos de gran
importancia, como ser: composicin qumica, propiedades fsicas, materiales geolgicos, fluidos,
temperatura, presin, produccin de materia orgnica piognica, diagnesis (cementacin de las
rocas), maduracin termal, migracin del petrleo, porosidad, permeabilidad, geometra de las
trampas estructurales y estratigrficas, datos de perforacin, anlisis petrolgicos y de perfiles de
pozo, geofsica de boca de pozo, datos de sensores remotos, pozos productores, recuperacin
primaria y secundaria, estilo de la cuenca sedimentaria y ambiente tectnico, y afines
(http://www.wou.edu/las/physci/taylor/es486_petro/1_Introduction.pdf). Traduccin ma.
Es importante en esta industria, no solo hallar el petrleo, sino tambin saber cunto hay y
como sacarlo. De esto se encarga la especialidad de upstream, que se refiere a la exploracin y
explotacin de hidrocarburos. El downstream se encarga del hidrocarburo en las refineras, y el
midstream del transporte del mismo, utilizando oleoductos, barcos y camiones. Se dedica un
esfuerzo muy grande para la faz de upstream. Una vez hallado el petrleo, se tienen que hacer
modelos matemticos y estadsticos para modelar el reservorio en donde esta entrampado el
hidrocarburo, se hacen estudios de dinmica de fluidos y otros estudios ms. Es aqu que las
tecnologas de la IA cobran valor como ya vamos a ver. Es importante tener en claro las
definiciones de Modelaje del Reservorio y Caracterizacin del Reservorio. Modelaje del
Reservorio: involucra la construccin de un modelo computacional del reservorio de petrleo, con el
propsito de mejorar las estimaciones de las reservas y realizar decisiones con respecto al
desarrollo del campo petrolfero. Caracterizacin del Reservorio: se lo utiliza para referirse a las
actividades del modelaje del reservorio al punto de cuando un modelo de simulacin est listo para
simular el flujo de los fluidos (Le Ravalec, M., Doligez, B., Lerat, O., 2014).
Desarrollo
Tecnologas Emergentes en IA: Ahora se tratara de explicar, bsicamente, las tecnologas
emergentes con IA a discutir en este trabajo. Estas, ya fueron nombradas anteriormente y con su
traduccin al ingles. Se usara el nombre en ingles de estas de ahora en ms.
Machine Learning: explora la construccin y estudia los algoritmos que puede aprender de, y
realiza predicciones sobre la data. Tales algoritmos, operan al construir un modelo de datos de
entrada (inputs) en orden para realizar predicciones que son manejados por la data o decisiones,
en vez de seguir unas instrucciones estrictamente estticas de un programa.
(https://en.wikipedia.org/wiki/Machine_learning). Traduccin ma.
Artificial Neural Network (ANN): partiendo de machine learning y de las ciencias cognitivas,
ANN son una familia de modelos de aprendizaje estadsticos inspirados por redes neuronales
biolgicas (el sistema nervioso central de los animales, en particular el cerebro), y son usadas para
estimar o aproximar funciones que puedan depender en un vasto nmero de entradas (inputs) que
son generalmente desconocidas. ANN son generalmente presentadas como sistemas de
neuronas interconectadas las cuales envan mensajes unas a otras. Las conexiones tienen un
peso numrico que puede sintonizarse, basado en la experiencia, haciendo que las redes neuronal
se adapten a inputs y capaz de aprender. (https://en.wikipedia.org/wiki/Artificial_neural_network).
Traduccin ma.
Genetic Algorithm (GA): en el campo de la IA, un GA es una bsqueda heurstica que imita los
procesos de seleccin natural. Esta heurstica, es rutinariamente usada para generar soluciones
tiles para la optimizacin y los problemas de bsqueda. GA pertenece a una larga clase de

7
algoritmos evolucionarios (EA), donde generan soluciones para la optimizacin de problemas
usando tcnicas inspiradas por la evolucin natural, como ser la herencia, mutacin, seleccin, y
cruza. (https://en.wikipedia.org/wiki/Genetic_algorithm). Traduccin ma.
Analytics: esta herramienta es el descubrimiento y la subsecuente comunicacin de patrones
de data significativos. Especialmente en areas ricas en informacin grabada, analytics se apoya
en las aplicaciones simultneas de estadstica, programacin computacional, y operaciones para
cuantificar performance. Analytics frecuentemente favorece la data proveniente de la visualizacin
para comunicar percepcin. Teniendo en cuenta que analytics requiere de una extensiva
computacin (ver big data), loe algoritmos y software usados en analytics explotan los mtodos
ms corrientes en las ciencias de la computacin, estadstica, y matemticas
(https://en.wikipedia.org/wiki/Analytics). Traduccin ma.
Predictive Analytics (PA): PA engloba una variedad de tcnicas estadsticas, que van de
modelaje, machine learning, y data mining que analizan hechos corrientes e histricos para venir
con predicciones acerca del futuro, o, de otra manera eventos desconocidos. Su definicin:
predictive analysis es un rea de data mining que trata con la extraccin de la informacin de data
y la utiliza para predecir tendencias y patrones de comportamiento. Frecuentemente la variable
de inters est en el futuro, pero predictive analytics puede aplicarse a cualquier tipo de incgnita,
si bien esta en el pasado, presente o futuro. PA y su tecnologa que aprende de la experiencia
(data) para producir conductas futuras de individuos en orden de llegar a decisiones mejores
(https://en.wikipedia.org/wiki/Predictive_analytics). Traduccin ma.
Expert Systems (ES): En la IA, un expert system es un sistema de computacin que emula
las habilidades del hacedor de decisiones de un experto humano. Los expert systems son
diseados para resolver problemas complejos razonando acerca del conocimiento, representado
primariamente como IF-THEN reglas en vez de procedimientos convencionales de cdigos. Un
expert system est dividido en dos subsistemas: la mquina de inferencias y la base de
conocimiento. La base de conocimiento representa hechos y reglas. La mquina de inferencias
aplica las reglas a conocidos hechos para deducir nuevos hechos. Las maquinas de inferencias
tambin incluyen explicaciones y capacidades de depuracin. Para definir ms un expert system,
es un sistema basado en el conocimiento que emplea conocimiento acerca de su dominio de
aplicacin y utiliza procedimientos de inferencias (razn) para resolver problemas que de otra
manera requerira la competencia y pericias humanas. El poder de los expert systems radica
primariamente del conocimiento especifico acerca de un estrecho dominio almacenado en la base
del conocimiento del expert system.Los expert systems no tienen capacidades humanas. Utilizan
una base de conocimiento de un dominio en particular y traen el conocimiento para ser aplicado en
los hechos de una situacin particular. La base de conocimiento de un expert system tambin
contiene conocimiento heurstico, reglas usadas por humanos expertos que trabajan en el dominio
(Expert Systems and Applied Artificial Intelligence
http://www.umsl.edu/~joshik/msis480/chapter11.htm). Traduccin ma.
Big Data: wikipedia dice se refiere a sistemas informticos basados en la acumulacin a gran
escala de datos y de los procedimientos usados para identificar patrones recurrentes dentro de
estos datos. En la literatura cientfica en espaol con frecuencia se usa directamente el termino en
ingles Big Data, tal como aparece en el ensayo seminal de Viktor Schonberger Big Data: La
revolucin de los datos masivos.(http://www.eldiario.es/turing/Big-Data_0_161334397.html).
Definicin: datos masivos es un trmino que hace referencia a una cantidad de datos tal que
supera la capacidad del software habitual para ser capturados, gestionados, y procesados en un

8
tiempo razonable. (https://en.wikipedia.org/wiki/Big_data). Traduccin ma. Fuzzy Logic (FL): FL
es una forma de varias lgicas valuadas en donde los verdaderos valores de las variables pueden
ser cualquier nmero real entre 0 y 1. Por contraste, en la lgica Booleana, los verdaderos valores
pueden estar solamente entre 0 y 1. FL ha sido extendido para tomar en cuenta el concepto de
verdad parcial, en donde el valor verdadero puede estar en un rango de completamente verdadero
y completamente falso. Adems, cuando variables lingsticas son usadas, estos grados deben ser
manejados por funciones especficas. FL es aplicada en muchos campos, desde teora del control
hasta IA ( https://en.wikipedia.org/wiki/Fuzzy_logic). Traduccin ma.
Fuzzy Expert Systems (FES): un FES es una forma de solucionador de problemas usado por
un sistema de computadora, frecuentemente usado en la creacin de IA. Expert Systems (ES) son
tipos de hacedores de decisiones basado en programas de computacin que usan lgica Booleana,
significando que el sistema utiliza una serie de s y no como respuesta para tratar de resolver un
problema. FES se expande en los tradicionales ES y estn basados en Fuzzy Logic (FL) en vez de
lgica Booleana. FL, como el nombre implica (Lgica Difusa), significa que la respuesta no es
claramente un s o un no. Cae en algn lugar en el medio, y la computadora debe tratar de
calcular una respuesta basada en respuestas que pueden no ser completamente verdaderos pero
no enteramente falso tampoco.
Para entender la teora detrs de FES, es necesario entender los conceptos bsicos de la lgica
Booleana y FL. Si bien ambos se basan en avanzados algoritmos matemticos, el concepto central
es simple. Ambos utilizan respuestas a una serie de preguntas o declaraciones para formular una
nueva respuesta. En la lgica Booleana, las respuestas son verdaderas o falsas, mientras que en
FL una respuesta puede ser verdadera, parcialmente verdadera, falsa, parcialmente falsa, y varios
valores en el medio, dependiendo en qu trminos el programador utilizo como inputs en el
programa. Por ejemplo, si un ES quiere realizar una decisin, usando la lgica Booleana,
respondera verdadero o falso, tambin referenciado como si o no. Un ES usando FL, sin
embargo, puede responder si, no, tal vez, u otra combinacin. Realiza esto al sacar conclusiones
de su corriente base de conocimiento de informacin.
Las bases de conocimiento son el corazn de los FES. Si una computadora no puede venir con
la respuesta correcta, se asume que la base de conocimiento no contiene demasiada informacin
en vez que asumir que el programa en si tiene la falla. La base de conocimiento debe contener
declaraciones como ser Cuando x=si e y=no entonces z=puede ser. De esta declaracin, FES
pueden concluir que cuando x=si e y=si que z debe ser igual a si tambin, o que cuando
x=no e y=si que z sigue siendo igual a tal vez. Si esa no es la respuesta que el programador
buscaba, significa que la base de conocimiento aun necesita ms informacin para venir con la
respuesta correcta.
FES hace estos clculos basada en valores matemticos. Si, no, y tal vez son asignados
ciertos valores. La computadora busca a que valores de los trminos en las declaraciones como
ser x=si e y=no son iguales y suma sus valores. Entonces agrega en cualquier otro relevante
valores y da con el valor final con una respuesta como tal vez, si, o no. Agregando los valores
matemticos de x=no, e y=si le dice a la computadora que el valor matemtico para z es igual
a tal vez.( http://www.wisegeek.com/what-are-fuzzy-expert-systems.htm). Traduccin ma.
Adaptive Neuro-Fuzzy Inference Systems (ANFIS): Neuro-Fuzzy se refiere a redes
neuronales artificiales hibridas y fuzzy logic. La hibridizacion de un neuro-fuzzy resulta en un
sistema hibrido inteligente que sinergiza estas dos tcnicas al combinar el estilo de razonamiento

9
cuasi-humano de los fuzzy-systems con el aprendizaje y las estructuras adaptivas de las redes
neuronales. Neuro-Fuzzy System (NFS) es ampliamente conocido como Fuzzy Neural Network
(FNN) o Neuro Fuzzy System (NFS) en la bibliografa. Los NFS incorporan el estilo de
razonamiento cuasi-humano a travs de los fuzzy sets y un modelo lingstico consistente en un
set de reglas IF-THEN. La funcin adaptiva o la capacidad de aprender viene de la fuerza de los
Neural Networks. Uno de los mejores ejemplos es ANFIS. ANFIS es un sistema controlador
hibrido neuro-fuzzy. En otras palabras, ANFIS pertenece a una clase de redes adaptivas que
funcionalmente son equivalentes a un fuzzy inference system, (s. n., s.f.
(http://dl.lib.mrt.ac.lk/bitstream/handle/123/703/87310%20Chap%202.pdf?sequence=4).
Traduccin ma.
ANFIS es uno de los esquemas ms exitosos que combinan los beneficios de estos dos fuertes
paradigmas en una simple capsula. Un ANFIS trabaja aplicando reglas neuronales de aprendizaje
para identificar y sintonizar los parmetros y estructura de un Fuzzy Inference System (FIS). Hay
varias caractersticas del ANFIS que le permiten lograr un gran suceso en un amplio rango de
aplicaciones cientficas. Las atractivas caractersticas de un ANFIS incluyen una fcil
implementacin, un aprendizaje rpido y preciso, habilidades fuertes de generalizacin, excelentes
facilidades de explicacin a travs de fuzzy rules, y una manera fcil de incorporar conocimiento
lingstico y numrico para resolver problemas. Acorde al acercamiento neuro-fuzzy, una red
neuronal es propuesta para implementar el sistema fuzzy, tal que la identificacin de parmetros y
estructuras de estas reglas base fuzzy son logradas a travs de adaptacin, y optimizando la
topologa y los parmetros de las correspondientes redes neuro-fuzzy, basada solamente en la
data existente. La red puede ser considerada como un adaptive fuzzy inference system con la
capacidad de aprender reglas fuzzy de la data, y como una arquitectura conexionista provista con
sentido lingstico. Una tpica arquitectura de un ANFIS (bsico) es la siguiente: contiene cinco
capas, (1) Input Node, (2) Rule Nodes, (3) Average Nodes, (4) Consequent Nodes, (5) Output Node
(Azar, A. T., 2010). Traduccin ma.
Genetic Fuzzy Systems (GFS): estos son fuzzy systems construidos usando algoritmos
genticos o mediante programacin gentica, que simulan los procesos de evolucin natural, para
identificar su estructura y parmetros. Cuando se llega a identificar y construir automticamente un
fuzzy system, dada la no linealidad del output, tradicionalmente las herramientas de optimizacin
linear tienen severas limitaciones. Entonces, en la estructura de soft computing, los mtodos de
algoritmos genticos, y programacin gentica han sido usados con xito al identificar estructuras y
parmetros de los sistemas fuzzy ( https://en.wikipedia.org/wiki/Genetic_fuzzy_systems).
Traduccin ma.
Neuro-Fuzzy (NF): en el campo de la IA, NF se refiere a las combinaciones de redes neurales
artifciales y lgica difusa. NF fue propuesto por J. R. S. Jang. Los resultados de la hibridizacion de
NF en un sistema de inteligencia hibrida que sinergiza estas dos tcnicas al combinar el estilo de
razonamiento cuasi-humano de sistemas fuzzy con el aprendizaje y la estructura concesional de
las redes neuronales. La hibridizacion neuro-fuzzy es ampliamente llamado como Fuzzy Neural
Network (FNN) o Neuro-Fuzzy System (NFS) en la bibliografa. El sistema neuro-fuzzy (el ms
popularmente usado) incorpora el estilo de razonamiento cuasi-humano de sistemas fuzzy a travs
del uso de grupos fuzzy y un modelo lingstico consistente de un grupo de IF-THEN reglas fuzzy.
La mayor fortaleza de los sistemas neuro-fuzzy es que son aproximadores universales con la
habilidad de solicitar interpretables reglas IF-THEN.

10
La fortaleza de los sistemas neuro-fuzzy involucran dos requerimientos contradictorios en el
modelaje fuzzy: interpretabilidad versus precisin. En la prctica, una de las dos propiedades
prevalece. El neuro-fuzzy en el modelaje e investigacin del fuzzy est dividido en dos areas:
modelaje lingstico fuzzy que est enfocado en la interpretabilidad, mayormente el modelo de
Mamdani; y el modelaje preciso fuzzy que est enfocado en precisin, mayormente el modelo de
Takagi-Sugeno-Kang (TSK), (https://en.wikipedia.org/wiki/Neuro-fuzzy). Traduccin ma.
Data Mining (DM): (es el paso de anlisis de Knowledge Discovery in Databases, KDD), DM
es un subcampo interdisciplinario de las ciencias de la computacin, es el proceso computacional
del descubrimiento de patrones en grandes volmenes de data, involucrando mtodos a la
interseccin de la IA, machine learning, estadstica, y sistemas de base de datos. La meta general
del proceso de DM es la de extraer informacin de un set de data y transformarla en una estructura
entendible para futuros usos. Aparte del anlisis de los datos crudos, involucra aspectos de base
de datos y gerenciamiento de data, pre-procesamiento de data, consideraciones de modelaje e
inferencias, mtricas interesantes, consideraciones complejas, post-procesamiento de estructuras
descubiertas, visualizacin, y actualizaciones online. La tarea de data mining es el anlisis
semiautomtico o automtico de vastos montos de cantidades de data para extraer previamente
desconocido, patrones interesantes como ser grupos de registros de data (cluster analysis),
registros inusuales (deteccin anmala), y dependientes (reglas de asociacin de minera). Esto
usualmente involucra tcnicas de base de datos como ndices espaciales. Estos patrones pueden
ser vistos como una especie de resumen de data input, y puede ser usado en anlisis futuros o, por
ejemplo, en machine learning y predictive analytics. Por ejemplo, el paso de data mining puede
identificar mltiples grupos en la data, que puede ser utilizado para obtener resultados ms
precisos en su prediccin a travs de un sistema de soporte de decisin. Ni la data collection, data
preparation, ni tampoco interpretacin de resultados y reporte son parte del paso de data mining,
pero si pertenecen en general al proceso de KDD como pasos adicionales. Data Mining involucra
seis clases de tareas: (a) Deteccin Anmala, (b) Regla de Asociacin de Aprendizaje, (c)
Clustering, (d) Clasificacin, (e) Regresin, (f) Resumen (https://en.wikipedia.org/wiki/Data_mining).
Traduccin ma.
Knowledge Management (KM): KM es el proceso de capturar, desarrollar, compartir, y
efectivamente utilizar el conocimiento organizacional. Se refiere a un acercamiento
multidisciplinario para lograr objetivos organizacionales haciendo el mejor uso del conocimiento.
Los esfuerzos del KM tpicamente se enfocan en objetivos organizacionales como ser performance
mejorada, ventaja competitiva, innovacin, el compartir lecciones aprendidas, integracin y
mejoramiento continuo de la organizacin. KM se superpone con el aprendizaje organizacional y
puede ser diferenciada de ella por un mayor enfoque en la gestin del conocimiento como un activo
estratgico y otro enfoque en alentando el compartir del conocimiento. Es un habilitador del
aprendizaje organizacional (https://en.wikipedia.org/wiki/Knowledge_management). Traduccin
ma. Otra definicin dice: KM es la explcita y sistemtica gestin de conocimiento vital y est
asociado a los procesos de creacin, recoleccin, organizacin, difusin, uso y explotacin.
Requiere cambiar conocimiento personal en conocimiento corporacional que pueda ser
ampliamente compartido a travs de una organizacin y aplicado apropiadamente
(http://skyrme.com/insights/22km.htm). Traduccin ma.
Cluster Analysis (CA): cluster analysis o clustering es la tarea de agrupar un conjunto de
objetos de tal manera que los objetos en un mismo grupo (llamado cluster) son mas similares a
cada uno que aquellos de otros grupos (clusters). Es una importante tarea de exploracin de data

11
mining, usado en varios campos, incluyendo machine learning, reconocimiento de patrones,
anlisis de imgenes, recuperacin de informacin, y bioinformatica.
CA en si no es un especifico algoritmo, pero la tarea general a resolver. Puede ser alcanzado a
travs de varios algoritmos que difieren significativamente en su nocin de que es lo que constituye
un cluster y como buscarlos eficientemente. Nociones populares de clusters incluyen grupos con
pequeas distancias entre los miembros del cluster, areas densas del espacio de la data, e
intervalos o distribuciones particulares estadsticas. Clustering puede ser formulado como un
problema multiobjetivo de optimizacin. El apropiado algoritmo de clustering y los ajustes de
parmetros dependen en la data individual y los resultados pretendidos para su uso. CA como si,
no es una tarea automtica, pero un proceso iterativo de descubrimiento de conocimiento u
optimizacin multiobjetiva interactiva que involucra prueba y error. Frecuentemente ser necesario
modificar el pre procesamiento de la data y los parmetros del modelo hasta que se logren las
propiedades deseadas. En CA no hay una definicin unificada debido a que no se ha podido
definir el trmino cluster aun. Sin embargo existe un denominador comn: un grupo de objetos de
la data. De todos modos, diferentes investigadores emplean diferentes modelos de clusters, y para
cada uno de estos modelos de clusters hay diferentes algoritmos, que varian significativamente en
sus propiedades. Entender estos modelos de clusters es fundamental para entender los diferentes
algoritmos. Tpicos modelos de cluster incluyen: (a) Modelos de Conectividad, (b) Modelos
Centroideos, (c) Modelos de Distribucin, (d) Modelos de Densidad, (e) Modelos Subespaciales, (f)
Modelos de Grupo, y (g) Modelos a Base de Grficos
(https://en.wikipedia.org/wiki/Cluster_analysis). Traduccin ma.
Support Vector Machine (SVM): en machine learning, un SVM son modelos de aprendizaje
supervisados con algoritmos de aprendizaje asociados que analizan data y reconocen patrones,
usados para clasificacin y en anlisis de regresin. Dados un set de ejemplos entrenados, cada
uno marcado para pertenecer a una u otra categora, un SVM algoritmo entrenado construye un
modelo que asigna nuevos ejemplos dentro de una categora o la otra, haciendo de esto un
clasificador linear binario no probabilstico. Un modelo de SVM es una representacin de los
ejemplos como puntos en el espacio, mapeados tal que los ejemplos de las categoras separadas
son divididas por un espacio definido lo ms ancho posible. Nuevos ejemplos son entonces
mapeados en ese mismo espacio y predichos a pertenecer a una categora basado en qu lado del
espacio caen. En adicin a performar clasificaciones lineales, SVM pueden realizar eficientemente
clasificaciones no lineales usando trucos de kernel, mapeando implcitamente los respectivos
inputs dentro de un espacio altamente dimensional
(https://en.wikipedia.org/wiki/Support_vector_machine). Traduccin ma.
Functional Networks (FN): FN es una generalizacin de neural networks, que es lograda
usando multiargumentos y funciones de aprendizaje, por ejemplo, en estas redes, las funciones de
transferencia asociadas con neuronas no son fijas pero aprenden de la data. En adicin, no es
necesario incluir parmetros para dar un peso a los eslabones entre las neuronas desde que su
efecto es subsumido por las funciones neuronales. Otra distintiva caracterstica de estos modelos
es que la especificacin de la topologa inicial para un functional network puede ser basada en las
caractersticas del problema que se est enfrentando. Por lo tanto, el conocimiento acerca del
problema puede guiar el desarrollo de las estructuras de redes, a pesar de que en la ausencia de
este conocimiento siempre hay un modelo general que se puede usar. Los Functional Networks
consisten de los siguientes elementos: (a) muchas unidades de almacenamiento. Estas unidades
son utilizadas para el almacenamiento de los inputs como de los outputs del network, o para
almacenar informacin intermedia; (b) una o ms capas de unidades funcionales o neuronas.

12
Estas neuronas incluyen una funcin que puede ser multivariable y que puede tener tantos
argumentos como inputs. Estos argumentos, y por lo tanto la forma de las funciones neuronales,
son aprendidas durante el entrenamiento. Aplicando sus respectivas funciones, las neuronas
evalan un set de input. Los FN combinan el conocimiento acerca del problema a determinar por el
network, y data de entrenamiento para estimar las funciones neurales desconocidas. Por lo tanto,
en contradiccin a los neural networks, FN incluyen dos tipos de aprendizaje: 1. Aprendizaje
Estructural, y, 2. Aprendizaje Paramtrico (http://what-when-how.com/artificialintelligence/functional-networks-artificial-intelligence/). Traduccin ma.
Aplicacin de las Tecnologas Emergentes Descriptas en la Industria del Petrleo y Gas
Artificial Neural Networks, fuzzy logic, y algoritmos evolucionados son comunes ente las
tcnicas de IA aplicadas hoy en da en la simulacin de reservorios de petrleo y gas, produccin y
optimizacin de perforacin, automatizacin de perforacin y control de procesos, y data mining.
Los medios sociales son usados todos los das para colaborar; aparatos mviles (mobile) prueban
ser muy valuables en las operaciones en el campo, computacin en la nube (cloud computing)
tiene el potencial de entregar reduccin de costos y un incremento en la flexibilidad y performance
en networking y gestin del conocimiento; y la hiperdimensional, compleja, big data, est bien
preparada para anlisis por machine learning, que es la clave para las aplicaciones de hoy de IA.
En adicin a un existente volumen histrico de data de petrleo y gas, los complejos ambientes
crecientes de upstream generan vastos montos de data para lo cual es grandemente agrandado
con innovadoras tecnologas de IT. Mohaghegh dice: hay una idea falsa en nuestra industria hoy
en da que igualan automatizacin con inteligencia. Solo por el hecho que una operacin es
automatizada no significa que sea inteligente. Sin IA, ustedes tendrn campos automatizados,
pero no tendrn campos inteligentes. Un campo automatizado provee el cerebro, pero la IA provee
la mente. La IA es el lenguaje de la inteligencia; es lo que hace inteligente al hardware. Para
completamente tomar cuenta de esto, uno se tiene que subscribir a un cambio completo de
paradigma. Mohaghegh dice: ahora estamos utilizando potencia de reconocimiento de patrones
de esta tecnologa para predecir, gestionar, y disear los detalles de fractura hidrulica de la arcilla,
usando hard data en vez de soft data. (s.f., s. n., Artificial Intelligence Come of Age in Oil and
Gas, Society of Petroleum Engineers).Hard data hace referencia a las mediciones en el campo que
son fciles y usualmente son, medidos durante la operacin. En una fractura hidrulica, variables
como el tipo de fluido y su monto, tipo de apuntalante y monto, concentracin del apuntalante,
inyeccin y presin de rompimiento, y presin de cierre inicial son considerados hard data. Soft
data se refiere a las variables que son interpretadas, estimadas, o adivinadas. Parmetros como la
longitud media de la fractura hidrulica, alto y ancho, y conductividad, como el volumen estimulado
del reservorio son usados como parmetros de ajuste durante el proceso de history matching
(simulacin del reservorio) y no pueden ser medidos directamente.
Modelaje de Reservorio: la incertidumbre en la faz de explotacin de un reservorio es alta
cuando se trata de figurar como una formacin de roca apretada va a responder a un tratamiento
de fractura hidrulica inducida. Cuantificacin de la incertidumbre puede ser mejor calculada al
hacer uso apropiado de complejo data hyperdimensional de reservorio a travs de IA, por ejemplo
permitiendo la optimizacin de espacios fracturados y diseos de modelos fracturados. El poder
del reconocimiento de patrones con IA es lo que permite este tipo de velocidad en history matching.
El software de modelaje es un sistema hibrido, combinando artificial neural networks, fuzzy set
theory, y genetic algorithms.

13
El software de gestin de reservorio, por ejemplo, funciona en dos etapas: data mining,
modelaje manejado por la data, y anlisis de modelos. Primero, la data, que frecuentemente es
hyperdimensional, es pre-procesada para calidad de control, y es minada para descubrir patrones
escondidos y potencialmente tiles. Siguiendo con esta primer etapa, con la identificacin de
indicadores de performance claves (KPI) donde el software determina los parmetros que controlan
el outcome (resultado). Los relevantes KPIs varan de campo en campo, y pueden de haber
cientos de cientos de indicadores para considerar en un proyecto dado.

Fuzzy Logic sirve la funcin de reconocimiento de patrones (patterns) del software. Mohaghegh
dice: Fuzzy Logic es una lgica multivaluada. Es la lgica atrs del lenguaje natural. En nuestras
herramientas es aplicada en la funcin del reconocimiento de patrones del software. Artificial
Neural Networking es la clave para aprender esos patrones que han sido discernidos.Algoritmos
evolucionados determinan patrones que son relevantes para un particular campo que ha sido
modelado, al hacer predicciones, evaluando dichas predicciones, luego eliminando las predicciones
incorrectas. Mohaghegh dice: Algoritmos genticos estn enraizados en la teora de evolucin de
Darwin. El mismo acercamiento a la evolucin humana es aplicado para fracturar un pozo. Es un
algoritmo de aprendizaje, un juntado (ensemble).
En la segunda etapa, la data es analizada en una forma de ser utilizada por una maquina, que
presta al modelo de reservorio. El modelo esta desarrollado basado en data medida en el campo
con poco o nada de interpretacin involucrada. Mohaghegh dice: Dejamos que los pozos y el
reservorio hablen por ellos mismos y que impongan su voluntad en el modelo, en vez de imponer
nuestro entendimiento de la geologa y la fsica en el modelo. El modelo es despus validado
testendolo con data ciega durante el post anlisis de modelaje. Mohaghegh dice: La data
siempre viene de un determinado campo, de un especifico modelo, de una situacin especfica. Va
siempre de campo en campo. Nuestro software es un flujo de trabajo que lo lleva a usted de la
data que usted tiene para una operacin especifica a un modelo manejado por la data, y finalmente
al anlisis del modelo desarrollado para realizar desiciones.(https://www.spe.org/article/2257artificial-intelligence-come-of-age-in-oil-and-gas/). Traduccin ma.
Recientes Aplicaciones Utilizando Inteligencia Artificial en la Industria del Petrleo y Gas
Las tcnicas emergentes de IA son: neural network, genetic algorithm, y neuro-genetic,
aplicadas al anlisis de dao de la formacin, generacin de pseudo perfiles de pozo,
caracterizacin de reservorios, diseo y optimizacin de fracturas hidrulicas, optimizacin de
produccin petrolera, gestin de la recuperacin realzada, anlisis de tests de pozos, optimizacin
de la operacin de perforacin, e identificacin de mejores prcticas. Para la caracterizacin de
reservorios, los neural networks han sido utilizados para predecir las caractersticas de la
formacin, como ser porosidad, permeabilidad, y saturacin de fluidos de perfiles de pozos
convencionales. Utilizando los perfiles de pozos como input data con el anlisis de testigos corona
correspondiente a una cierta profundidad, estas caractersticas de reservorio fueron exitosamente
predichos para una formacin heterognea en areas diferentes. Uno de los mayores factores que
afectan el costo direccional u horizontal en un pozo, es la distancia perforada para llegar al objetivo.
Entonces, si es posible minimizar la distancia de la perforacin en llegar al objetivo, la economa
del pozo va a mejorar. Para optimizar la distancia de perforacin hasta el objetivo se utiliza
algoritmos genticos, se minimiza la profundidad de perforacin y por ende se reducen los costos
de perforacin. Hybrid Neuro-genetic algorithm technique: esta tcnica disea la optimizacin de

14
las fracturas hidrulicas de la Arenisca Clinton en el NE de Ohio, EEUU. En orden de mantener y/o
agrandar el suministro de gas para su almacenamiento en los pozos de la Arenisca Clinton. El
modelo de las redes neuronales predicen la post fractura y capacidad de entrega utilizando los
siguientes parmetros de input: informacin bsica de pozo, historia de produccin del pozo,
parmetros de diseo de la fractura hidrulica como ser concentracin de arena, ratio de inyeccin,
tamao de la malla de la arena, y el tipo de fluido (s. f., Shokir, E.).
Oilfield Analytics (Analytics en los campos petrolferos): las empresas petroleras son
forzadas a explorar en complejas geologas y en areas remotas para explotar depsitos de
hidrocarburos no convencionales. En areas con pobre calidad de data, los problemas son
complejos, y los costos asociados con pobres predicciones (pozo seco) aumenta. Para
contrarrestar estas cuestiones en las faces de exploracin y produccin (E & P) las compaas
necesitan integrar disciplinas y confiar en enfoques que incluye integracin de data, estudios de
riesgos y cuantificacin de la incertidumbre.
Mtodos de soft computing ofrece una excelente oportunidad para integrar informacin de varias
fuentes con variable grados de incertidumbre. Estos mtodos ayudan a establecer relaciones entre
mediciones y propiedades del reservorio en un ambiente multidimensional, multivariable y
estocstico, y asignar factores de riesgo a las predicciones. Al aplicar analytics, se puede optimizar
un amplio rango de upstream data y dar poder efectivo a las decisiones, eficientemente y
oportunamente, que afectan los valores intrnsecos de la cadena de valor de E & P.
La empresa SAS, ofrece una suite completa de soluciones analytical dirigido a los desafos en la
industria del petrleo y gas. Para el dominio upstream, las soluciones SAS se enfocan en
cuestiones relacionadas al riesgo y a la incertidumbre, y fortalecen la confidencia en la informacin
de las reservas mientras se cuantifica el impacto de los planes de explotacin para alcanzar
objetivos predefinidos. SAS ofrece modelajes descriptivos y predictivos, pronsticos y modelos
avanzados manejados por la data, para comprender mejor las instalaciones, y los sistemas de
pozos y reservorios. Las herramientas avanzadas de visualizacin encapsulan data de exploracin
y produccin a travs de disciplinas dispares de las geosciencias. Advanced Analytics, apuntalada
por una alta performance computacional, coloca a las empresas en el mbito upstream para actuar
rpido para as capitalizar en oportunidades en presencia de volmenes incrementales de data (s.
f. , Holdaway, K.).
Aplicando Knowledge Management (KM) a la Industria del Petrleo y Gas
KM provee contexto para la gestin de contenido permitiendo la exitosa aplicacin del contenido
a las cuestiones de hoy. Schlumberger, una poderosa empresa de servicios petroleros, es un
ejemplo destacado. Knowledge Management y content management (gestin de contenido) estn
interrelacionados en Schlumberger. La compaa formo el grupo Schlumberger KM en 1998 para
desarrollar y lanzar procesos y tecnologa para mejorar la performance organizacional y reducir
costos para Schlumberger y sus clientes, permitiendo a individuos capturar, compartir, y aplicar su
total conocimiento en tiempo real.
Schlumberger, actualmente, tiene tres iniciativas primarias de gestin de contenido en accin.
The Schlumberger Knowledge Hub (centro de actividades), es una empresa intranet e internet de
portal de informacin, que provee a los empleados y clientes un acceso uniformado a la
informacin. La meta inicial del Hub fue la de centralizar los muchos sitios web de Schlumberger, y
proveer acceso a lo siguiente: repositorios de conocimiento, project management y espacios de

15
colaboracin, stock en tiempo real y actividad industrial, un help desk, y soporte a las audiencias
internas y externas a travs de foros de discusin, repositorios comunitarios, y tecnologa
colaborativa.
Realtime News: es un portal corporativo basado en noticias, localizado en el Hub, y es actualizado
cada hora con las ms recientes noticias de la industria y de la corporacin. Clientes y empleados
pueden investigar, categorizar, y customizar la informacin. Realtime News permite a los
empleados de Schlumberger estar cerca de sus clientes en tiempo real; la meta tambin es en
alinear las perspectivas de los empleados con la de los clientes. Ms importantemente, los clientes
pueden volver al home page de Schlumberger para ms informacin.
El InTouch Knowledge Hub: provee una interface electrnica simple para el intercambio de
informacin sobre productos y servicios entre el campo (los ingenieros de Schlumberger ubicados
en las localidades del cliente) y sus centros de tecnologa (hay help desks que toman llamadas
entrantes y preguntas de la organizacin en el campo). A travs de la aplicacin InTouch, el
campo tiene capacidades de intercambio fciles de usar por expertos en tecnologa y acceso a la
validacin de informacin, documentacin electrnica, repositorios de conocimiento, y ayudas de
entrenamiento (Leavitt, P., 2002).
Expert Systems aplicado a la Industria del Petroleo y Gas
Informacin de un Knowledge-Based expert information system puede ayudar a entrenar a un
menos entrenado diseador y orientar a los mas entrenados a nuevas localidades. Estos sistemas
juegan un rol que va incrementndose en las operaciones de terminado y produccin. Para
Halliburton (empresa de servicios petroleros), este software computacional est trabajando en
numerosas areas, y ayudando en el diseo de los tratamientos de cementacin y estimulacin.
Ambos operadores experimentados e ingenieros en entrenamiento, acuden a los expert systems
para proveer respuestas a complejos, diseos de tratamiento multifacticos. Los expert systems
ayudan en: diseo de tratamientos basado en la acumulacin de conocimiento de expertos,
proveen informacin tcnica y guas en el uso adecuado de aditivos, sirve como herramienta de
entrenamiento para el personal menos experimentado (Onan, D. D., Kulakofsky, D., Van Domelen,
M. S., Ford, W. G., F., 1993).
Fuzzy Expert Systems en la Prediccin Petrolera
Es obvio que Fuzzy expert systems son aquellos sistemas compuestos de un expert knowledge
y fuzzy functions. Analizando, clustering y diagnosticando datasets de petrleo crudo para
distinguir cual rea contiene crudo para lograr resultados acertados usando fuzzy expert systems.
Fuzzy Petroleum Prediction como un expert system consiste de un individuo experto, knowledge
engineer y fuzzy functions. El fuzzy expert system es usado en el campo de la prediccin petrolera
para ejecutar procesos predictivos, con precisin y evaluacin de resultados. Procesos de
prediccin a travs de la utilizacin de fuzzy systems, motiva a los ingenieros en petrleo a detectar
reas para los procesos de perforacin. Diferentes expert systems son usados en el dominio del
petrleo. Prediccin de precios del crudo, produccin y afines (Ghallab, S., Badr, N., Hashem, M.,
Salem, A., Tolba, M., 2013).
Data Mining en los campos Petrolferos
Data mining es el proceso de extraccin de patrones ocultos en la data. Mientras ms data es
juntada en el campo petrolero, data mining se va convirtiendo en una herramienta cada vez ms

16
importante para transformar esta data en informacin. El uso de data mining en los campos
petrolferos se remonta a los tempranos 90s. Data mining puede ser aplicado a data sets de
cualquier tamao. Sin embargo, si bien es utilizada para descubrir patrones ocultos en la data que
fue juntada, obviamente no puede descubrir patrones que no estn en la data, tampoco puede
descubrir patrones en data que aun no ha sido juntada. Data mining, ha sido definida como La
extraccin implicita no trivial, previamente desconocida, e informacin potencialmente til de la
data. Utiliza inteligencia artificial, machine learning, tcnicas estadsticas y de visualizacin para
descubrir y presentar conocimiento en una forma que sea fcil y comprensible a humanos.
Es cada vez ms evidente que un operador en un campo de petrleo puede crear ventajas
estratgicas sobre sus competidores utilizando data mining para obtener importantes ideas de la
data que junta. Diferentes operadores de P & G juntan y analizan data de diferentes maneras.
Entonces, un operador puede fcilmente ganar valores competitivos sobre su competencia al usar
data mining.
Para realizar mejores decisiones uno tiene que descubrir y entender los patrones ocultos en una
particular operacin de la data. Por ejemplo, no es suficiente para un ingeniero de produccin
saber solamente el monto de produccin de petrleo y/o gas de un campo y los montos de CAPEX
(Capital Expenditure) y OPEX (Operation Expenditure) de la compaa en este ambiente de
negocios altamente competitivo. Para incrementar la recuperacin y lograr una alta produccin, el
ingeniero de produccin tiene que investigar para las respuestas a preguntas como: Que empresa
de servicios debe de ser usada ms frecuentemente para obtener mejores resultados?, Como
balancear la calidad de una intervencin en un trabajo con el costo?, Como seleccionar los pozos
para que sean los mejores candidatos para estimulacin?, Cual sera el mejor diseo de
estimulacin para un pozo en particular? Data mining tiene el potencial para responder muchas
preguntas de este tipo. Data mining puede ayudar a los operadores de campo a tener ideas
significativas en sus operaciones de la data que han juntado a travs de los anos y realizar mejores
decisiones para as lograr ptimos resultados (s. n., s. f., Oilfield Data Mining, Intelligent Solutions,
Inc.).
Clustering Integrado, Geoestadistica y Estrategia Evolucionada Aplicados en P & G
Una metodologa integradora combinando tcnicas de clustering analysis, mtodos
geoestadisticos y tecnologas de estrategias evolucionadas fueron desarrolladas y aplicadas en un
rea en la unidad SACROC (Cuenca Permica, Texas, EEUU). Mtodos de clustering fueron
aplicados a perfiles de pozo y data de testigos coronas con una alta resolucin vertical para
muchos pozos para predecir porosidad, permeabilidad y tipo de roca. Geoestadistica fue aplicada
para extender la caracterizacin dentro del rea inter-pozos. Estrategias evolucionadas fue usada
para redefinir la caracterizacin para que coincidan las predicciones histricas de performance
(Gonzalez, R., Schepers, K., Reeves, S., Eslinger, E., Back, T., 2008).
Support Vector Machine en la Prediccin de la Permeabilidad en Reservorios
La permeabilidad es un parmetro clave asociado a la caracterizacin de cualquier reservorio de
hidrocarburos. De hecho, no es posible tener soluciones precisas a los muchos problemas de
ingeniera del petrleo sin tener datos de permeabilidad precisos. Los mtodos convencionales
para la determinacin de la permeabilidad son anlisis de los testigos corona y tcnicas de testeo
de pozos. Estos mtodos son muy caros y llevan mucho tiempo. Entonces, se trato con artificial
neural networks para identificar de las relaciones entre la data de los perfiles de pozo y la

17
permeabilidad de los testigos corona. De esta manera, trabajos recientes sobre IA ha introducido
una maquina robusta de metodologa de aprendizaje llamada support vector machine (SVM). El
SVM ha servido para predecir la permeabilidad de tres pozos de gas en el campo de Southern
Pars. Obtuvo resultados el SVM mostrando que el coeficiente de correlacin entre los testigos
corona y la permeabilidad predecida fue de 0,97 para un data set de testeo. Comparando los
resultados del SVM con el de un general regression neural network (GRNN) revelo que el SVM es
ms rpido y ms preciso que el GRNN en predecir la permeabilidad en los reservorios de
hidrocarburos (Gholami, R., Shahraki, A., Jamali Paghaleh, M., 2011).
Conclusiones
Este comprobado que la revolucin informtica ha llegado a la Industria del Petrleo y Gas. Los
grados de incertidumbre e inexactitud con los que se tena que hacer frente ya han sido suavizados
por una marea de tecnologas emergentes de la Inteligencia Artificial. La caracterizacin de
reservorios ha ganado mucho terreno con la informtica, cortando costos innecesarios de
produccin y exploracin y de pozos secos. Solamente la industria del P & G tiene que
mantenerse a la par de los avances de la IA.

18

Bibliografa
Braswell, G., 2013, Artificial Intelligence Come of Age in Oil and Gas, JPT Online Technology
Editor.
Recuperado de:
http://shahab.pe.wvu.edu/Publications/Pdfs/AI-JPT-Jan2013.pdf Traduccin ma.
Ghallab, S., Badr, N., Hashem, M., Salem, A., Tolba, M., 2013, A Fuzzy Expert System For
Petroleum Prediction, Ain Shams University, Cairo, Egypt.
Recuperado de:
http://www.wseas.us/e-library/conferences/2013/Dubrovnik/ECC/ECC-11.pdf Traduccin ma.
Gholami, R., Shahraki, A., Jamali Paghaleh, M., 2011, Prediction of Hydrocarbon Reservoirs
Permeability Using Support Vector Machine.
Recuperado de:
http://www.hindawi.com/journals/mpe/2012/670723 Traduccin ma.
Gonzalez, R., Schepers, K., Reeves, S., Eslinger, E., Back, T., 2008, Integrated
Clustering/Geoestatistical/Evolutionary Strategies Approach for 3D Reservoir Characterization and
Assisted History-Matching in a Complex Carbonate Reservoir, SACROC Unit, Permian Basin.
Recuperado de:
http://www.adv-res.com/pdf/SPE_113978_PP_Final.pdf Traduccin ma.
Leavitt, P., 2002, Applying Knowledge Management to Oil and Gas Industry Challenges.
Recuperado de:
http://www.providersedge.com/docs/km_articles/Applying_KM_to_Oil_and_Gas_Industry_Challeng
es.pdf Traduccin ma.
Le Ravalec, M., Doligez, B., Lerat, O., 2014, Integrated Reservoir Characterization and Modelling.
Recuperado de:
http://books.ifpenergiesnouvelles.fr/ebooks/integrated_reservoir_characterization_and_modeling/ch
apters/integrated_reservoir_characterization_and_modeling-introduction.pdf Traduccin ma.
Holdaway, K., s. f., Oilfield Analytics: How New Insights Mitigate Subsurface Uncertainty and
Unconstrained Risk, White Paper, SAS.
Recuperado de:
http://www.sas.com/en_us/whitepapers/oilfield-analytics-103856.html Traduccin ma.
Onan, D., Kulakofsky, D., Van Domelen, M., Ford, W., 1993, Expert Systems Help Design
Cementing and Acidizing OHS.
Recuperado de:
http://www.ogj.com/articles/print/volume-91/issue-16/in-this-issue/production/expert-systems-helpdesign-cementing-and-acidizing-ohs.htm Traduccin ma.

19

Bibliografa (continuacin)
Shokir, E., s. f., Artificial Intelligence: A New Tool in Oil & Gas Industry.
Recuperado de:
http://faculty.ksu.edu.sa/shokir/Presentations/Artificial%20Intelligence%20A%20New%20Tool%20in
%20Oil%20and%20Gas%20Industry.pdf Traduccin ma.
s. n., s. f., Oilfield Data Mining, Implementing The Paradigm Shift In Analysis & Modelling Of The
Oilfield, Intelligent Solutions, Inc.
Recuperado de:
http://www.intelligentsolutionsinc.com/PDFs/OilFieldDataMining.pdf Traduccin ma.
s. n., s. f., Introduction to Petroleum Geology, Western Oregon University, EEUU.
Recuperado de:
http://www.wou.edu/las/physci/taylor/es486_petro/1_Introduction.pdf Traduccin ma.