Evaluación de la reducción de los tiempos no productivos en operaciones de perforación en pozos profundos en un clúster ubicado en el Campo Castilla bajo el modelo predictivo Random Forest y Xgboost.
Date
2025-07-15
Journal Title
Journal ISSN
Volume Title
Director
Research teaching director
Non-research teaching director
Paz Aranguen, Arnul David
External teaching director
Publisher
Fundación Universidad de América
Abstract
El proyecto aborda el problema de los tiempos no productivos (NPT) durante la perforación de pozos petroleros en el campo Castilla, el cual es operado actualmente por Ecopetrol, los cuales generan retrasos operativos y costos significativos. El objetivo general es evaluar la reducción de los NPT mediante un modelo predictivo basado en Random Forest, identificando los principales factores que los causan y proponiendo soluciones. Los objetivos específicos incluyen el desarrollo e implementación del modelo en Python, la comparación de resultados antes y después de su aplicación, y la identificación de variables clave que influyen en los NPT. La metodología consiste en el análisis de datos históricos de perforación, la selección y preprocesamiento de variables, y la implementación del modelo Random Forest. Se utilizan técnicas de aprendizaje automático para predecir la ocurrencia de NPT, optimizando los hiper parámetros del modelo. Los resultados muestran una reducción del 18% en los tiempos de inactividad, con un ahorro estimado de $1.2 millones anuales. El modelo superó en precisión a métodos anteriores como Random Forest y regresión logística, destacando su eficacia en la predicción de NPT.
Description
The project addresses the problem of nonproductive time (NPT) during oil well drilling in the Castilla field, currently operated by Ecopetrol, which generates significant operational delays and costs. The overall objective is to evaluate the reduction in NPT using a Random Forest-based predictive model, identifying the main factors that cause them and proposing solutions. Specific objectives include the development and implementation of the model in Python, the comparison of results before and after its application, and the identification of key variables that influence NPT. The methodology consists of the analysis of historical drilling data, the selection and preprocessing of variables, and the implementation of the Random Forest model. Machine learning techniques are used to predict the occurrence of NPT, optimizing the model's hyperparameters. The results show an 18% reduction in downtime, with an estimated savings of $1.2 million annually. The model outperformed previous methods such as Random Forest and logistic regression in accuracy, highlighting its effectiveness in predicting NPT.
Keywords
Eficacia, hiperparametros, Perforación, Efficiency, hyperparameters, Drilling, Tesis y disertaciones académicas
Citation
APA 7th - Huertas Zambrano, C. E. y Puerto Méndez, S (2025) Evaluación de la reducción de los tiempos no productivos en operaciones de perforación en pozos profundos en un clúster ubicado en el Campo Castilla bajo el modelo predictivo Random Forest y Xgboost. [Trabajo de grado, Fundación Universidad de América] Repositorio Institucional Lumieres. https://hdl.handle.net/20.500.11839/10101