Un modelo proxy híbrido de simulación y aprendizaje automático para la optimización del diseño de waterflood en la Formación Bahariya

Por qué importa usar el agua de forma más inteligente en los campos petrolíferos

Extraer las últimas gotas de petróleo de un yacimiento suele implicar inyectar agua en la roca para empujar el petróleo hacia los pozos productores. Este proceso, llamado waterflooding o inundación por agua, es generalizado pero está lejos de ser perfecto: se puede inyectar demasiada agua en lugares equivocados, dejando petróleo valioso atrás y generando grandes volúmenes de aguas residuales. Este estudio muestra cómo la combinación de simulaciones clásicas basadas en la física con el aprendizaje automático moderno puede ayudar a los ingenieros a diseñar inundaciones por agua más inteligentes en un campo petrolífero egipcio particularmente complejo, recuperando más petróleo con menos ejecuciones de prueba y error en el ordenador.

Un rompecabezas subterráneo complicado

La Formación Bahariya en el Desierto Occidental de Egipto no es una esponja de roca ordenada y uniforme. Está formada por depósitos fluviales y deltaicos antiguos, con capas de arenisca y lutita cosidas en patrones irregulares. Este mosaico crea canales donde los fluidos se mueven con facilidad y callejones sin salida donde el petróleo queda atrapado. Los datos de los pozos son limitados, lo que dificulta describir este laberinto subterráneo con detalle. Los simuladores tradicionales de yacimientos pueden modelar tales sistemas, pero hacerlo de forma exhaustiva exige miles de ejecuciones lentas y costosas en computación: demasiadas para la toma de decisiones diaria en el campo.

Mezclando modelos físicos con aprendizaje basado en datos

Los autores construyeron un modelo informático tridimensional detallado del yacimiento usando información geológica y petrofísica como la calidad de la roca, el espacio poroso y las propiedades de los fluidos. Luego diseñaron un amplio conjunto de escenarios hipotéticos —1.536 en total— variando factores clave como la velocidad de inyección del agua, la facilidad con que el agua fluye por la roca, la cantidad de aceite que tiende a quedar atrapado y la densidad del petróleo. Para cada escenario probaron tres disposiciones estándar de pozos inyectores y productores: una cuadrícula tipo five‑spot con inyectores rodeados de productores, un patrón escalonado en línea y un esquema periférico que inyecta agua mayoritariamente en los bordes del campo. El simulador devolvió la cantidad de petróleo que se podría recuperar en cada caso.

Enseñar a un proxy rápido a imitar al simulador

En lugar de depender siempre de simulaciones lentas, el equipo entrenó modelos sencillos de aprendizaje automático —específicamente regresión lineal— para aprender la relación entre las entradas variables y la recuperación final de petróleo para cada patrón de pozos. Estos modelos actúan como «proxies»: una vez entrenados, pueden predecir la recuperación en una fracción de segundo. Los investigadores dividieron cuidadosamente los datos en conjuntos de entrenamiento y prueba y verificaron el rendimiento a través de múltiples particiones. Para los tres patrones, los modelos reprodujeron con alta fidelidad los resultados del simulador, explicando más del 93 por ciento de la variabilidad en la recuperación y manteniendo los errores de predicción muy bajos. En efecto, el simulador físico pesado se destiló en ecuaciones ligeras que aún se comportan de forma físicamente sensata.

Qué controla realmente cuánto petróleo sale

Con estos modelos proxy rápidos en mano, los autores examinaron qué factores importan más. Al alterar ligeramente cada entrada por turno y observar cómo empeoraban las predicciones, encontraron que la cantidad de petróleo que queda atrapada en la roca tras la inundación —llamada saturación residual de aceite— era con diferencia el factor dominante, representando cerca del 40 por ciento o más del poder predictivo en todos los patrones. La calidad del petróleo también importó: los crudos más ligeros fluyen con mayor facilidad y aumentan la recuperación, mientras que las rocas que permiten que el agua se mueva demasiado fácilmente tienden a provocar una «ruptura» temprana del agua y reducen el barrido. Curiosamente, la importancia de la tasa de inyección dependía mucho del patrón. En el esquema periférico, la intensidad de la inyección tenía un impacto mucho mayor que en la disposición en cuadrícula five‑spot, lo que revela que diferentes arreglos de pozos responden a palancas distintas.

De la información del ordenador a las decisiones en el campo

Reuniendo estas piezas, el estudio muestra que no existe un patrón de inundación por agua universalmente mejor. En el campo simulado de Bahariya, el esquema periférico ofreció la mayor recuperación final, seguido por el line drive escalonado y luego el patrón five‑spot. Pero este orden emergió solo después de tener en cuenta la fábrica rocosa y las propiedades de los fluidos específicas de este yacimiento. El flujo de trabajo híbrido —usar simulaciones para generar datos y luego aprendizaje automático para analizarlos rápidamente— ofrece a los ingenieros de campo una manera práctica de cribar muchas opciones de inundación, entender qué parámetros realmente importan y ajustar las estrategias de inyección sin ejecutar miles de simulaciones completas. Para un lector no especializado, la conclusión es simple: dejando que los ordenadores obedezcan las leyes de la física y aprendan de los datos, los operadores pueden extraer más petróleo de las mismas rocas usando el agua y los recursos computacionales con mayor eficiencia.

Cita: Gad, R., Salem, A.M., El Farouk, O.M. et al. A hybrid simulation-machine learning proxy model for waterflood design optimization in the Bahariya Formation. Sci Rep 16, 14023 (2026). https://doi.org/10.1038/s41598-026-49561-5

Palabras clave: inundación por agua, aprendizaje automático, recuperación de petróleo, simulación de yacimientos, Formación Bahariya