Enfoques de redes neuronales y regresión para predecir la presión del punto de burbuja en yacimientos petrolíferos

Por qué importa la presión dentro del petróleo

Cuando el petróleo está enterrado en lo profundo, está mezclado con gas natural disuelto y sometido a presiones enormes. El punto en el que el gas comienza a burbujear fuera del petróleo —la presión del punto de burbuja— gobierna de forma silenciosa cuánto petróleo se puede extraer, con qué rapidez fluye y cuánto tiempo un yacimiento seguirá siendo rentable. Medir esta presión directamente en el laboratorio es lento y costoso, por lo que los ingenieros dependen de fórmulas y modelos informáticos. Este estudio explora cómo predecir la presión del punto de burbuja con mayor precisión, usando datos reales de yacimientos egipcios y herramientas modernas como las redes neuronales.

Examinando de cerca los petróleos subterráneos de Egipto

Los autores reunieron un conjunto de mediciones inusualmente grande: 1.161 ensayos de laboratorio detallados de numerosos yacimientos egipcios, además de 232 casos adicionales reservados para construir un modelo informático independiente. Dividieron los petróleos en dos familias amplias que se comportan de forma distinta: petróleos pesados, que son más viscosos y densos, y petróleos ligeros, que fluyen con más facilidad. Para cada muestra registraron propiedades como la temperatura, la cantidad de gas disuelto en el petróleo, la densidad del petróleo y del gas, y aspectos de la composición química del fluido. Este retrato detallado de fluidos de yacimiento reales les permitió examinar qué factores están más fuertemente vinculados al punto en que el gas comienza a salir de la solución.

Encontrando patrones con matemáticas sencillas

Primero, el equipo reexaminó las “correlaciones” tradicionales: ecuaciones compactas usadas en todo el mundo para estimar la presión del punto de burbuja a partir de unas pocas mediciones básicas. Muchas de estas fórmulas se calibraron inicialmente para yacimientos en otras regiones, como Oriente Medio, el Golfo de México o Irán. Cuando los investigadores las probaron con datos egipcios, el rendimiento varió ampliamente: algunas ecuaciones funcionaron razonablemente bien, mientras que otras produjeron errores grandes porque no reflejaban la geología y la composición de los fluidos locales. Para mejorar, los autores construyeron nuevas ecuaciones por separado para petróleos pesados y ligeros, usando regresión múltiple, un método estadístico que encuentra las relaciones lineales de mejor ajuste entre varias variables a la vez. De manera crucial, incluyeron información de composición más detallada, no solo temperatura y densidad, para captar mejor el carácter de cada petróleo.

Añadiendo una máquina de aprendizaje más inteligente

Más allá de las ecuaciones simples, los investigadores diseñaron una red neuronal artificial, un tipo de modelo informático inspirado en la forma en que las células cerebrales se conectan. Este modelo usó cuatro entradas fáciles de medir: la cantidad de gas disuelto en el petróleo, la densidad del gas, la densidad del petróleo y la temperatura del yacimiento. En su interior, dos capas ocultas de “neuronas” transformaron estas entradas paso a paso, lo que permitió al modelo aprender relaciones sutiles y no lineales que las ecuaciones rectilíneas no pueden capturar. El equipo probó cuidadosamente distintos tamaños de red y ajustes internos, eligiendo la configuración que alcanzó alta precisión sin volverse inestable ni sobreajustada. Luego entrenaron la red con la mayor parte de los datos y comprobaron sus predicciones frente a casos separados que no había visto antes.

Qué tan bien funcionaron las nuevas herramientas

Las nuevas ecuaciones para petróleo pesado y ligero ajustaron las presiones del punto de burbuja medidas mucho mejor que las fórmulas anteriores, alcanzando niveles de correlación por encima del 96 por ciento y reduciendo sustancialmente los errores medios. Cuando se probaron con datos nuevos no utilizados para construirlas, estas ecuaciones continuaron rindiendo de forma fiable, mostrando que capturan tendencias físicas genuinas en lugar de simplemente memorizar las muestras originales. El modelo de red neuronal rindió aún mejor: sus predicciones siguieron los resultados de laboratorio con una correlación superior al 99 por ciento, lo que indica que aprendió con éxito la compleja interacción entre contenido de gas, temperatura y densidades de los fluidos que controla cuándo se forman las burbujas.

Qué significa esto para las decisiones de producción petrolera

Para los no especialistas, el mensaje clave es que mejores “herramientas de estimación de presión” pueden traducirse directamente en decisiones más inteligentes sobre cómo desarrollar yacimientos. Cuando los ingenieros conocen la presión del punto de burbuja con mayor precisión, pueden diseñar pozos, bombas e instalaciones superficiales que mantengan el flujo de petróleo de forma eficiente evitando la liberación súbita de gas que puede dañar equipos o dejar hidrocarburos valiosos atrapados bajo tierra. Este estudio muestra que adaptar los métodos de predicción a una región específica y combinar estadísticas tradicionales con redes neuronales modernas puede mejorar notablemente estas estimaciones. En términos prácticos, los yacimientos petrolíferos de Egipto —y otros con características similares— pueden ahora gestionarse con mayor confianza, recuperando potencialmente más energía con menos desperdicio y menor coste.

Cita: Mansour, E.M., Gomaa, S. & El‑hoshoudy, A.N. Neural network and regression approaches for predicting bubble point pressure in oil reservoirs. Sci Rep 16, 13893 (2026). https://doi.org/10.1038/s41598-026-49027-8

Palabras clave: presión del punto de burbuja, yacimientos petrolíferos, petróleo pesado y ligero, modelado con redes neuronales, ingeniería de yacimientos