Caso de uso · Oil & Gas

Predicción de Éxito en Workover

Decidir si ejecutar una intervención de workover depende hoy del criterio técnico del ingeniero, que varía entre profesionales y no puede procesar simultáneamente todas las variables relevantes del pozo. No existe un mecanismo sistemático para priorizar candidatos con base en probabilidad real de éxito antes de ejecutar.

20–30%

Reducción en workovers fallidos

~87%

Precisión típica del modelo MLP

48 h

Anticipación antes de la intervención

Problemas que resuelve

Workovers fallidos costosos

Las intervenciones fallidas no mejoran la producción, inmovilizan equipos y consumen recursos operativos sin retorno.

Decisiones sin respaldo cuantitativo

La decisión de ejecutar depende del criterio técnico del ingeniero, que varía entre profesionales y no puede procesar simultáneamente todas las variables relevantes.

Recursos mal asignados

Sin un mecanismo sistemático de priorización, los equipos y presupuestos se distribuyen sin criterio de probabilidad real de éxito.

Complejidad multivariable

Variables de producción, petrofísica, geología y completación deben analizarse en conjunto, algo que ningún proceso manual puede hacer de forma consistente.

Cómo lo resolvemos

Construimos un modelo de red neuronal multicapa (MLP) entrenado con el historial de intervenciones del operador, calibrado por yacimiento. La plataforma entrega un score de probabilidad de éxito por cada pozo candidato, un dashboard de priorización que ordena la lista de intervenciones por probabilidad y un módulo de alertas que marca candidatos con score bajo antes de que se programe la operación.

  • Integración de variables de producción, petrofísica, geología y completación
  • Red neuronal MLP entrenada con historial de intervenciones exitosas y fallidas
  • Probabilidad de éxito (0–100 %) por pozo candidato
  • Ranking de pozos por probabilidad de éxito
  • Importancia de variables: qué factores explican la predicción
  • Reentrenamiento periódico con nuevos resultados de intervenciones

Ejemplo de visualización

Probabilidad de éxito por pozo candidato e importancia de variables del modelo MLP.

workover.factum.ai

Precisión del modelo

87.3%

+87.3%

Workovers evaluados

48

Intervenciones optimizadas

14

+14%

Probabilidad de éxito por intervención

Umbral 65%Pozo A-17 (Bloque Norte)82%Pozo B-04 (Campo Sur)71%Pozo C-22 (Bloque Este)67%Pozo D-09 (Campo Central)41%Pozo E-31 (Bloque Norte)28%

Importancia de variables del modelo

Variables petrofísicas34%Producción histórica28%Datos de cañoneo21%Concepto geológico12%Unidad productora5%

Ejemplo ilustrativo · Datos sintéticos · Modelo MLP

Qué datos necesita el modelo

El modelo integra cinco familias de variables para calcular la probabilidad de éxito de cada intervención.

Variables de producción

Historial de caudal de petróleo, gas y agua. GOR (relación gas-petróleo). Presión de fondo y de cabeza. Corte de agua.

Variables petrofísicas

Porosidad, permeabilidad, saturación de agua, espesor neto de la formación productora.

Concepto geológico

Tipo de intervención planeada (aislamiento de zona, cañoneo de nueva zona). Motivo técnico de la intervención.

Unidad productora

Formación, yacimiento y campo al que pertenece el pozo candidato.

Datos del cañoneo

Densidad de disparos, fases, profundidad de tope y base del intervalo, tipo de completación.

¿Cuánto está perdiendo en workovers que no debería ejecutar?

Mejor asignación del presupuesto de intervenciones: los equipos y los recursos se concentran en los candidatos con mayor probabilidad de éxito.

Agendar diagnóstico gratuito