La evaluación previa a la implementación de la inyección de CO₂ en procesos de recuperación mejorada de petróleo (CO₂-EOR) y de almacenamiento geológico requiere ejecutar cientos o miles de simulaciones numéricas para comparar estrategias de inyección como WAG (Water Alternating Gas) y SAG (Surfactant Alternating Gas). Sin embargo, estas simulaciones son computacionalmente costosas y suelen depender de software comercial, lo que limita su reproducibilidad científica; para ello, pueden desarrollarse modelos predictivos, conocidos como modelos proxy.
En este estudio se desarrollaron modelos proxy basados en Machine Learning, también conocidos como smart proxy models (SPMs), empleando exclusivamente herramientas open source: OPM Flow para la simulación numérica, Python para la automatización y Scikit-learn para la implementación de algoritmos de aprendizaje automático, todo ello en un entorno de trabajo completamente reproducible.
Los SPMs desarrollados en este estudio son capaces de predecir la producción acumulada de petróleo, gas y la retención de CO2 en modelos de WAG y SAG, utilizando datasets de 100 y 300 simulaciones ( SPE CSP-5) y algoritmos como K-nearest neighbors, Decision trees, Random Forest, and gradient boosting regresor (GBR). Con 300 simulaciones el GBR alcanzó alta precisión (R² > 0.995 para retención de CO₂, ≈ 0.999 para petróleo producido y > 0.990 para gas producido), con un RMSE menor al 1 %, evidenciando su potencial como herramienta eficiente para la predicción y toma de decisiones en ingeniería de yacimientos accesible para todos.
Investigadores participantes
FICT – ESPOL
- Jorge Rodrigo Lliguizaca-Davila
- Freddy Carrión Maldonado
- Jorge Segundo Mendoza Sanz
Colaboración
University of Bergen (UiB), Norway
- David Landa Marbán
- Jorge Rodrigo Lliguizaca-Davila
- Hilde Halsøy
- Jacquelin E. Cobos
- Zachary Paul Alcorn
DOI: https://doi.org/10.1016/j.petlm.2026.02.003
Objetivos de Desarrollo Sostenible
ODS 7: Energía asequible y no contaminante
ODS 9: Industria, Innovación e Infraestructura
ODS 17: Alianzas para Lograr los Objetivos
