Modelo CNN-LSTM optimizado por un algoritmo mejorado de búsqueda de gorriones para la predicción de la producción de pozos petroleros

Planificación más inteligente para la energía subterránea

Las compañías de petróleo y gas necesitan conocer cuánto producirá un pozo con meses de antelación para planificar inversiones, programar mantenimiento y evitar desperdiciar agua, energía y dinero. Sin embargo, los pozos reales se comportan de formas complejas y cambiantes que resultan difíciles de capturar con fórmulas tradicionales. Este estudio presenta un nuevo enfoque de inteligencia artificial (IA) que aprende del comportamiento pasado de pozos individuales para prever su producción futura con mayor precisión y fiabilidad.

Por qué predecir un único pozo es tan difícil

La cantidad de petróleo que puede entregar un pozo depende de muchos factores cambiantes: la geología de la roca, cómo se inyecta agua en el yacimiento, el rendimiento de la bomba y cómo se mueven los fluidos bajo tierra con el tiempo. Los modelos clásicos de ingeniería pueden representar gran parte de esta física, pero requieren enormes cantidades de datos y largos tiempos de puesta en marcha, y aun así tienen problemas con los cambios desordenados del mundo real. Los métodos recientes de aprendizaje automático, que aprenden patrones directamente de los datos, han mejorado las previsiones, pero a menudo necesitan un ajuste manual cuidadoso por parte de expertos. Elegir la configuración correcta del modelo, o los hiperparámetros, puede ser tedioso, subjetivo y propenso a quedarse atascado en soluciones subóptimas.

Combinando patrones en espacio y tiempo

Los autores se apoyan en dos herramientas de IA potentes. Las redes neuronales convolucionales (CNN) son muy buenas detectando patrones locales y características en los datos, mientras que las redes de memoria a largo plazo (LSTM) están diseñadas para seguir cómo evolucionan las señales a lo largo de periodos extensos. Al combinar CNN y LSTM, el modelo puede primero “destilar” patrones útiles de corto plazo a partir de múltiples señales operativas, y luego seguir cómo esos patrones se desarrollan mes a mes. Las entradas incluyen producción diaria de agua, eficiencia de la bomba, corte de agua, tiempo de producción y profundidad de la bomba, seleccionadas mediante una prueba estadística estándar (correlación de Pearson) para mantener solo las variables que realmente importan para la producción de petróleo. El objetivo de predicción único es la producción mensual media de petróleo de un pozo dado.

Una forma más inteligente de ajustar el modelo de IA

La innovación clave es una versión mejorada del algoritmo de búsqueda de gorriones, una técnica inspirada en cómo las aves buscan alimento en grupo. En este enfoque, muchas soluciones candidatas “vuelan” por el espacio de posibles configuraciones del modelo, compartiendo información sobre regiones prometedoras. El algoritmo de gorriones mejorado (ISSA) refina tres elementos centrales: utiliza un esquema caótico especial para repartir uniformemente los puntos de inicio y mejora cómo se mueven los virtuales “productores” y “depredadores” durante la exploración. Estos cambios amplían la búsqueda, aceleran la convergencia hacia buenas configuraciones y reducen las posibilidades de quedar atrapado en soluciones mediocres. ISSA se usa luego para ajustar automáticamente hiperparámetros críticos del CNN-LSTM, como el tamaño y número de filtros de convolución y el tamaño de las capas ocultas.

Pruebas en pozos reales de un yacimiento compacto

Para evaluar el desempeño del nuevo modelo en la práctica, el equipo lo aplicó a un yacimiento de arenisca compacta en la cuenca de Ordos, China, usando cinco años de datos de dos pozos representativos, TB987 y TB990. Los datos se dividieron en una parte de entrenamiento para enseñar al modelo y una parte de prueba para evaluar sus previsiones. Los autores compararon su enfoque ISSA-CNN-LSTM con varias alternativas: versiones que usan solo LSTM o solo CNN, modelos ajustados con el método original de gorriones y modelos ajustados con otros optimizadores por enjambre populares como el de partículas, la mosca de la fruta y el lobo gris. Según varias medidas de error estándar, el modelo mejorado produjo de manera consistente predicciones que seguían las curvas reales de producción más de cerca y con fluctuaciones de error más pequeñas.

Qué pueden hacer las previsiones mejoradas por las operaciones

La mayor exactitud del modelo ISSA-CNN-LSTM no es solo un avance académico; tiene usos operativos directos. A corto plazo, previsiones mensuales más fiables pueden guiar cuánto agua inyectar y cómo repartir recursos entre pozos, ayudando a mantener una producción estable. Cuando la producción real se desvía demasiado del rango previsto, los operadores pueden tratar esto como una señal de advertencia temprana e inspeccionar bombas, buscar entradas inesperadas de agua o reevaluar las condiciones del yacimiento. A más largo plazo, las previsiones del modelo ayudan a revelar la rapidez con que declina un yacimiento, apoyando decisiones sobre cuándo estimular un pozo, perforar nuevos o cambiar el plan de desarrollo.

Una visión más clara del petróleo futuro a partir de los datos

En términos simples, este trabajo muestra que permitir que un método de búsqueda mejorado, inspirado en aves, ajuste automáticamente una red combinada CNN–LSTM hace que las previsiones por pozo sean tanto más precisas como más estables. Para los dos pozos de prueba, los errores del modelo se redujeron hasta aproximadamente un uno por ciento de media, y la correspondencia entre producción predicha y real fue casi uno a uno. Con más desarrollo en conjuntos más grandes de pozos e integración con otras herramientas de series temporales, enfoques como ISSA-CNN-LSTM podrían convertirse en ayudas prácticas de decisión, ayudando a los productores de petróleo a extraer más información —y valor— de los datos que ya recopilan.

Cita: Zhang, R., Guo, L., Sun, J. et al. CNN-LSTM model optimized by improved sparrow search algorithm for oil well production prediction. Sci Rep 16, 13972 (2026). https://doi.org/10.1038/s41598-026-43674-7

Palabras clave: predicción de producción de pozos petroleros, aprendizaje automático, predicción de series temporales, algoritmo de optimización, ingeniería de yacimientos