Validación de las técnicas de aprendizaje automático en el lenguaje de programación en R para mejorar los modelos de pronóstico de producción - Noroeste Peruano

• Autor: Cuadros Durand, Misael José
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/28719
• Enlace del recurso: http://hdl.handle.net/20.500.14076/28719
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático (Inteligencia artificial); Lenguajes de programación (Computadoras); R (Lenguaje de programación); Análisis de datos; Métodos estadísticos; Minería de datos; Aplicaciones industriales; https://purl.org/pe-repo/ocde/ford#2.07.03

Las reservas de hidrocarburos constituyen el principal activo de una empresa y es su principal fortaleza. Por ello, dedican gran esfuerzo a analizar constantemente sus estrategias para optimizar la recuperación de estas reservas. Un aspecto importante de estas estrategias es el análisis de la producción futura (pronósticos) y la tasa de declive natural de los hidrocarburos; la elaboración de pronósticos de producción mediante el uso de inteligencia artificial representa parte de las nuevas tecnologías aplicadas alrededor del mundo en la industria petrolera, esto nace debido a la necesidad de mejorar la certeza de los pronósticos de producción para establecer la viabilidad económica de futuros proyectos y sostener la operación de los campos. El presente trabajo de investigación tiene el propósito de desarrollar un código de programación mediante la implementación de aprendizaje automático (random forest) en el software R; se utilizaron los datos de producción (tiempo y caudal promedio por mes en bpd) de pozos convencionales para elaborar un modelo de declinación óptimo para la elaboración de pronósticos, los cuales se evaluaron mediante estadígrafos y coeficientes de determinación. La investigación tuvo como resultado que el modelo desarrollado presenta los mejores valores de R2 : 0.75032, RMSE de 87.78, AIC: 3318.83 y BIC: 318.65; sin embargo, el modelo no puede detectar los picos de producción extremos y las caídas extremas presentes en el historial productivo del lote con una exactitud del 100% , lo que nos deja una ventana de oportunidades futuros proyectos que generen modelos con mejores pronósticos que honren estos picos de producción