Investigación sobre la conectividad entre pozos en inundación con CO2 basada en una red de atención en grafos con memoria a largo y corto plazo

Por qué este estudio importa para la energía y el clima

Gran parte del petróleo mundial sigue proviniendo de yacimientos envejecidos donde extraer el crudo restante es cada vez más difícil y costoso. Un enfoque prometedor, la inundación con CO2, inyecta dióxido de carbono en el subsuelo para impulsar más petróleo hacia los pozos productores, al tiempo que almacena CO2 que de otro modo llegaría a la atmósfera. Pero los operadores a menudo no pueden ver cómo viaja realmente el gas inyectado entre los pozos. Este artículo presenta una nueva forma basada en datos para "mapear" esas conexiones ocultas en tiempo real, ayudando a que la inundación con CO2 sea más eficiente y potencialmente más favorable para el clima.

Haciendo visibles las autopistas subterráneas invisibles

Cuando se inyecta CO2 en un yacimiento petrolífero, no se distribuye de manera uniforme. En su lugar, sigue trayectos subterráneos preferentes —como autopistas ocultas— creados por variaciones en la permeabilidad de la roca y fracturas existentes. Algunos pozos de inyección influyen fuertemente en ciertos pozos de producción; otros apenas tienen efecto. Este patrón, denominado conectividad entre pozos, controla cuán eficazmente el CO2 puede barrer el petróleo hacia los pozos productores y cuánto gas elude zonas útiles o irrumpe demasiado rápido. Seguir con precisión estas conexiones es crucial para ajustar planes de inyección y producción, pero los métodos tradicionales a menudo requieren pruebas de campo costosas o suposiciones simplificadas que fallan en yacimientos complejos.

Limitaciones de las herramientas convencionales

Los ingenieros han confiado durante mucho tiempo en técnicas como pruebas de interferencia de presión, trazadores químicos y simulaciones de líneas de corriente para inferir cómo se comunican los pozos bajo tierra. Más recientemente, se han incorporado herramientas estadísticas y modelos clásicos de aprendizaje automático al repertorio. Si bien cada método aporta información, también tiene inconvenientes: las pruebas de campo son lentas y caras; los modelos físicos simplificados pueden pasar por alto detalles importantes en rocas altamente variables; y el aprendizaje automático estándar a menudo trata los pozos como flujos de datos aislados, ignorando la red evolutiva de interacciones entre ellos. Estos enfoques también tienden a asumir que el patrón de conexiones es fijo en el tiempo, aun cuando los frentes de CO2, las presiones y los canales de flujo cambian a medida que avanza la inyección.

Una red inteligente que aprende tiempo y espacio a la vez

Los autores presentan un modelo híbrido de inteligencia artificial diseñado para seguir tanto cómo cambian los pozos en el tiempo como cómo se influyen espacialmente entre sí. Una parte del modelo, llamada red de memoria a largo y corto plazo (LSTM), se especializa en aprender patrones de series temporales —aquí, las tasas diarias de inyección y producción en cada pozo. La otra parte, una red de atención en grafos (GAT), trata los pozos como nodos de una red y aprende qué pares están más fuertemente conectados, asignando mayores pesos a los enlaces más influyentes. Juntos, este sistema LSTM–GAT puede tanto pronosticar la producción futura como estimar la fuerza de las conexiones entre pozos de inyección y producción de manera que se actualiza conforme evoluciona el yacimiento.

Construyendo un mapa vivo de conexiones entre pozos

Para alimentar este modelo, los investigadores utilizaron un yacimiento sintético tridimensional ampliamente estudiado llamado modelo EGG y simularon la inundación con CO2 durante una década para ocho pozos de inyección y cuatro pozos de producción. Construyeron un mapa “vivo” de conexiones examinando cómo las fluctuaciones de inyección en un pozo aparecen, con un retraso temporal, en la producción de otro. Se utilizó una medida llamada correlación cruzada máxima con retardo para inferir la probable intensidad y el momento de cada conexión dentro de ventanas de tiempo deslizantes. Solo se conservaron como aristas en la red los pares que eran suficientemente correlacionados y razonablemente cercanos en el espacio. Este grafo evolutivo se pasó luego al GAT, que refinó aún más la importancia de cada enlace mientras el LSTM capturaba el comportamiento diario de cada pozo.

Qué tan bien funciona el nuevo enfoque

El modelo híbrido se ajustó y evaluó rigurosamente con miles de días simulados de datos. Alcanzó una alta precisión en la predicción de las tasas de producción de gas, con un R² de prueba de aproximadamente 0,94, lo que significa que explicó la mayor parte de la variación en el yacimiento simulado. Cuando los mapas de conectividad inferidos se compararon con los patrones detallados de flujo de simulaciones numéricas tradicionales, los enlaces fuertes en la red aprendida coincidieron con zonas de alta permeabilidad y trayectorias de flujo densas. Los autores también compararon su método con una variedad de otros modelos, desde regresiones simples hasta redes de grafos independientes y métodos de series temporales. En todos los casos, el marco LSTM–GAT ofreció pronósticos más precisos y patrones de conectividad más realistas, mientras que los modelos de grafo puramente estáticos quedaron significativamente rezagados.

Implicaciones para una recuperación de petróleo más limpia y eficiente

Para el lector general, el mensaje central es que este estudio ofrece una forma más inteligente y flexible de rastrear cómo se mueve el CO2 inyectado en el subsuelo, utilizando los datos que los yacimientos modernos ya recopilan a diario. Al convertir los historiales de producción en un mapa dinámico de conexiones subterráneas, los operadores podrían decidir mejor dónde inyectar, qué pozos limitar y cómo evitar canales de gas ineficaces. Aunque el trabajo se demuestra en un modelo sintético controlado y no en datos de campo reales y desordenados, apunta hacia herramientas futuras que podrían hacer que la inundación con CO2 sea tanto más económica como más eficaz para secuestrar carbono, alineando las necesidades energéticas a corto plazo con objetivos climáticos a largo plazo.

Cita: Dong, Z., Xu, Y., Lv, W. et al. Research on inter-well connectivity in CO₂ flooding based on long short-term memory graph attention network. Sci Rep 16, 6664 (2026). https://doi.org/10.1038/s41598-026-36910-7

Palabras clave: Inundación con CO2, conectividad entre pozos, redes neuronales de grafos, predicción de producción, recuperación mejorada de petróleo