Modelo de predicción de pérdida de circulación basado en parámetros de perforación con red neuronal PSO-BP

Por qué es importante mantener el lodo de perforación en el pozo

Cuando las empresas perforan profundamente en busca de petróleo y gas, dependen de lodos pesados para mantener el pozo bajo control. Si ese lodo desaparece de manera repentina en grietas de la roca, las operaciones deben detenerse, los costes se disparan y los sucesos peligrosos como reventones del pozo son más probables. Este artículo describe una nueva forma de detectar esas pérdidas de forma temprana, usando un modelo informático inteligente que aprende de datos reales de perforación y puede avisar a los ingenieros antes de que pequeños problemas se conviertan en accidentes graves.

Qué significa cuando el pozo empieza a “beber”

Durante la perforación, las bombas envían lodo por la sarta y éste vuelve por el espacio entre la sarta y la roca, transportando recortes y equilibrando las presiones subterráneas. La pérdida de circulación ocurre cuando este lodo se escapa hacia la roca circundante en lugar de regresar a la superficie. Puede filtrarse por fracturas y poros naturales, o abrir nuevas fracturas si el lodo es demasiado pesado. De cualquier modo, la tripulación en superficie observa menos lodo retornando y el pozo puede volverse rápidamente inestable, provocando colapso, atascos de la tubería o un golpe de fondo, cuando fluidos de la formación entran violentamente en el agujero.

Leer los signos vitales del lodo

En campo, muchas mediciones se registran cada pocos segundos: cuánto lodo hay en los tanques de superficie, la velocidad de flujo dentro y fuera del pozo, la presión necesaria para empujarlo hacia abajo, la velocidad de penetración del trépano y la carga sobre la sarta. Los autores muestran que ninguna lectura aislada basta para detectar problemas de forma fiable; en cambio, importan los patrones entre varias señales. Usando tanto estadísticas como la experiencia de los perforadores, reducen una larga lista de parámetros a un conjunto pequeño que mejor refleja los eventos de pérdida: volumen total de tina, presión en la línea de pie (standpipe), la diferencia entre flujo entrante y saliente, carga del motor superior (o del gancho), tasa de penetración, densidad del lodo y dirección del pozo. Juntos, actúan como signos vitales de la salud del pozo.

Enseñar a un enjambre digital a detectar problemas

El equipo construye su sistema de alerta alrededor de un tipo de red neuronal artificial, un modelo flexible que puede aprender relaciones complejas ocultas en los datos. Por sí sola, sin embargo, este tipo de red puede aprender lentamente y quedarse atrapada en soluciones subóptimas. Para superarlo, los investigadores la combinan con optimización por enjambre de partículas, un algoritmo inspirado en bandadas de aves buscando alimento. Cada “partícula” del enjambre representa un posible conjunto de parámetros de la red neuronal. Al comparar qué tan bien predice cada conjunto los eventos de pérdida pasados, el enjambre se mueve colectivamente hacia mejores soluciones. De este modo, la optimización por enjambre de partículas se usa para ajustar las conexiones internas de la red antes del entrenamiento final, haciéndola más rápida y estable.

De datos ruidosos de campo a alertas tempranas

Los datos reales de perforación son desordenados, con valores faltantes, ruido de sensores y lecturas ocasionalmente erróneas. Los autores primero limpian su conjunto de datos de varios pozos en el oeste de China, eliminan valores atípicos, codifican entradas descriptivas y escalan todos los números a un rango común para que ninguna variable domine. Luego analizan la fuerza de la relación de cada parámetro con los incidentes de pérdida y mantienen solo los que aportan información distintiva. Tras entrenar el modelo híbrido con docenas de intervalos registrados de pérdida de lodo y de condiciones normales, lo prueban en secciones nuevas de pozos. El modelo no solo sigue el ascenso y descenso de parámetros clave, sino que convierte esos patrones en una predicción clara de si es probable que ocurra una pérdida.

Qué tan bien funciona el vigilante inteligente

Para evaluar si este nuevo enfoque merece usarse en campo, los autores lo comparan con varias alternativas: una red neuronal simple y versiones ajustadas por otras dos técnicas de optimización. Usan medidas estándar de error y demuestran que la red ajustada por enjambre de partículas predice la pérdida de circulación con mayor precisión que las otras, coincidiendo con observaciones de campo reales con discrepancias mucho menores. En pozos de prueba, el modelo identifica correctamente zonas donde se perderá lodo y estima la magnitud del problema, proporcionando una advertencia útil mientras la perforación aún está en curso.

Qué significa esto para una perforación más segura y barata

En términos sencillos, el estudio muestra que combinar el conocimiento práctico de perforación con herramientas avanzadas de reconocimiento de patrones puede crear un sistema de alerta temprana fiable para cuando el pozo empieza a “filtrar” lodo hacia la roca. Al vigilar unas pocas señales cuidadosamente seleccionadas y permitir que un enjambre digital afine el motor de predicción, el método alcanza alta precisión y evita alarmas perdidas. Si se integra en sistemas de monitorización en tiempo real, este enfoque podría ayudar a los perforadores a reaccionar antes—ajustando las propiedades del lodo o las condiciones de operación antes de que ocurran pérdidas severas—reduciendo el riesgo, ahorrando tiempo y dinero, y ofreciendo un modelo para herramientas de seguridad similares en otros proyectos subterráneos y de ingeniería estructural.

Cita: Wang, Z., Yang, M., Du, P. et al. Prediction model of lost circulation based on drilling parameters with PSO-BP neural network. Sci Rep 16, 13976 (2026). https://doi.org/10.1038/s41598-026-44613-2

Palabras clave: pérdida de circulación, seguridad en la perforación, red neuronal, optimización por enjambre de partículas, alerta temprana