Objetivo:
Este curso está diseñado para proporcionar a los participantes los conocimientos y habilidades necesarios para comprender e identificar oportunidades de aplicación de modelos de aprendizaje profundo en las áreas de Operaciones, Mantenimiento, Ingeniería de Producción e Ingeniería de Reservorios. A través de estudios de caso específicos, los participantes aprenderán a modelar y resolver problemas complejos, facilitando la toma de decisiones basada en datos y mejorando significativamente la gestión de sus equipos y activos.
Dirigido a:
Ingenieros de Yacimientos y técnicos con experiencia en las áreas de Operaciones, Ingeniería de Mantenimiento, Ingeniería de Producción y/o Ingeniería de Reservorios.
Metodología:
El curso se imparte en modalidad online en vivo (Live Streaming), combinando exposiciones teóricas con demostraciones prácticas para facilitar la comprensión de los conceptos y su aplicación real. Se utilizan estudios de caso, visualización de datos y ejercicios guiados para ilustrar el uso de modelos de Deep Learning y algoritmos de IA en distintas etapas del ciclo de vida de producción y mantenimiento en la industria del petróleo y gas. Se fomenta la participación activa mediante análisis colaborativos y discusiones técnicas centradas en problemas operativos reales.
Alcance:
A lo largo del curso, los participantes aprenderán cómo los modelos de IA, tanto supervisados como no supervisados, pueden potenciar la manera en que se toman decisiones y se gestionan los procesos dentro de nuestra industria. Les permitirá gestionar la implementación de distintas técnicas de IA en casos concretos dentro de la Ingeniería de Yacimientos, tanto a nivel subsuelo como superficie.
Contenido:
1. Modelos de aprendizaje supervisado
- Introducción al aprendizaje automático.
- Regresión lineal.
- Función de costes.
- Algoritmo “Gradient Descent”.
- Ingeniería de funciones.
- Regresión polinómica.
- Regresión logística.
- Redes Neuronales.
- Predicciones – Neuronas y capas.
- Clasificación multiclase.
- Sesgo y varianza.
- Modelo de árbol de decisión.
- Medición de pureza.
- Ganancia de información.
- Modelo de árbol de decisión.
2. Modelos de aprendizaje no supervisado
- Agrupación.
- Algoritmo k-means.
- Detección de anomalías.
3. Aplicaciones prácticas de los conceptos aprendidos.
- Predicción de fallas en equipos críticos (Mantenimiento Predictivo).
- Detección de anomalías en la producción de pozos surgentes (Flow Assurance).
- Agrupación (clustering) para el análisis y evaluación de formaciones productivas a través de perfiles eléctricos.
- Optimización de procesos maduros de Waterflooding.
- Modelos predictivos para la optimización de la producción (artificial lift).
- Otros ejemplos conceptuales dentro de la industria: salas de monitoreo y control, parámetros de perforación, etc.
