Investigación sobre el método de predicción de la tasa de penetración en perforación de pozos profundos basado en un modelo TCN-transformer

Por qué la velocidad de perforación importa bajo tierra

Cada hora adicional dedicada a perforar un pozo de petróleo o gas supone costes, desgaste del equipo y consumo de combustible. Un parámetro clave que siguen los ingenieros es la rapidez con que la broca atraviesa la roca, conocida como tasa de penetración. Si esta tasa se pudiera predecir con precisión por adelantado, las compañías podrían diseñar programas de perforación más inteligentes, evitar perder tiempo en formaciones difíciles y reducir riesgos en yacimientos profundos y calientes. Este estudio presenta una nueva forma de pronosticar la velocidad de perforación en pozos muy profundos combinando dos herramientas modernas de inteligencia artificial en un único modelo más preciso.

El reto de perforar a varios kilómetros de profundidad

Los pozos profundos enfrentan condiciones mucho más duras que los superficiales. A varios kilómetros bajo tierra, las temperaturas pueden superar los 150 °C y las presiones se disparan, lo que altera tanto las rocas como el cemento que sella el pozo. En lugares como las cuencas de Tarim y Sichuan en China, algunos pozos alcanzan profundidades superiores a 7.000 metros. Bajo estas condiciones extremas, los métodos tradicionales basados en fórmulas tienen dificultades para estimar la velocidad de perforación porque la resistencia de la roca, el comportamiento de los fluidos y los equipos de perforación influyen de manera compleja y cambiante. Métodos estadísticos y de aprendizaje automático previos ayudaron, pero a menudo trataban cada medición como un punto aislado, sin considerar que la perforación se desarrolla como un proceso continuo a lo largo del pozo.

Convertir la perforación en una historia basada en el tiempo

Los autores tratan la velocidad de perforación como una serie temporal: una historia que evoluciona de forma continua con la profundidad y el tiempo. Se apoyan en dos ideas modernas de modelado de secuencias del campo de la inteligencia artificial. La primera, llamada red convolucional temporal (TCN), explora la secuencia con ventanas solapadas, detectando patrones de corto y medio alcance —por ejemplo, cómo un cambio en el peso sobre la broca o en la velocidad de rotación afecta la perforación unos instantes después. La segunda, conocida como transformer, sobresale en vincular puntos distantes de una secuencia, capturando relaciones de largo alcance que podrían abarcar miles de metros de perforación. Al fusionarlas, el modelo primero extrae características locales detalladas y luego aprende tendencias globales que conectan distintas etapas del pozo.

Construir un predictor más inteligente a partir de datos de campo reales

Para entrenar y validar su enfoque, los investigadores usaron datos reales de perforación de múltiples pozos en un mismo bloque de la cuenca de Sichuan. Partieron de 12 mediciones habituales, incluyendo profundidad, velocidad de rotación, propiedades del lodo y fuerza sobre la broca, y luego emplearon una prueba de correlación estándar para reducirlas a las 10 que más importaban para predecir la velocidad de perforación. Dado que los datos de perforación están naturalmente ordenados en el tiempo, evitaron el barajado aleatorio y mantuvieron la secuencia intacta, usando el primer 80 % de cada conjunto ordenado para entrenamiento y el 20 % restante para la prueba. También observaron que los tramos someros por encima de 3.000 metros mostraban fluctuaciones intensas debido a la geología variable y ajustes frecuentes del equipo, lo que los hacía ruidosos y difíciles de modelar. Al centrarse en secciones más profundas y estables, mejoraron la precisión de forma notable.

Qué hace mejor el modelo híbrido

El equipo comparó cuidadosamente distintas formas de organizar los datos y varios diseños de modelos. Cuando usaron solo un pozo a la vez, la calidad de la predicción fue moderada. Combinar múltiples pozos del mismo bloque y ordenar los datos según la secuencia real de perforación en cada pozo mejoró el rendimiento, ya que conservó la relación natural de causa y efecto entre las decisiones operativas y la respuesta de la roca. Un modelo basado únicamente en transformer ya superaba a los métodos tradicionales, pero el modelo híbrido —donde la red convolucional temporal alimenta al transformer— obtuvo el mejor rendimiento. Logró un coeficiente de determinación cercano a 0,99 en los datos del bloque y mantuvo una precisión similar al predecir un pozo nuevo no usado en entrenamiento, superando claramente a los árboles potenciados por gradiente estándar y a un modelo de convolución más LSTM.

Del modelo de investigación a la herramienta de campo

Para entender por qué la fusión funciona tan bien, los autores realizaron pruebas desactivando o alterando piezas individuales del modelo. Eliminar la estructura "dilatada" de las convoluciones temporales, reducir la ventana de datos pasados o reemplazar la red convolucional temporal por un frente convolucional más simple redujo la precisión. Los mejores resultados se obtuvieron cuando el modelo podía ver alrededor de 30 pasos de tiempo consecutivos, usar configuraciones de convolución afinadas para capturar patrones de corto y medio alcance, y dejar que el transformer gestionara los enlaces de largo alcance. Esta combinación permitió que el sistema se generalizara entre pozos con geología similar, lo que sugiere que, con cierto ajuste fino, podría adaptarse a otros bloques también.

Qué implica esto para la perforación futura

El estudio demuestra que un híbrido diseñado con cuidado de dos técnicas modernas de IA puede predecir con alta precisión la velocidad de perforación en pozos profundos en un entorno real de campo petrolero. Para los ingenieros, esto se traduce en pronósticos más fiables sobre la rapidez con la que se puede perforar un pozo, mejor planificación de las corridas de broca y los programas de lodo, y respuestas más rápidas a problemas emergentes en el pozo. Aunque el modelo actual todavía no incluye mediciones detalladas de las propiedades de la roca y necesita pruebas en regiones geológicamente más diversas, representa un avance significativo hacia sistemas de apoyo inteligentes en tiempo real que ayudan a perforar con más seguridad, mayor velocidad y menor coste.

Cita: Yuehao, L., Guodong, Z., Xiangchao, S. et al. Research on deep well drilling rate of penetration prediction method based on TCN-transformer model. Sci Rep 16, 11075 (2026). https://doi.org/10.1038/s41598-026-41298-5

Palabras clave: perforación de pozos profundos, predicción de la tasa de penetración, aprendizaje automático en perforación, modelado de series temporales, redes neuronales híbridas