Invitados: 

Cecibel González: Sales Specialist  

Ingeniero de Petróleo

Conducción: 

Adriana Morantes: Brand and Marketing Coordinator 

Mariaelena Chacón: Marketing Analyst

¿Qué papel jugó la inteligencia artificial, después del primer semestre del 2020, donde bueno sabemos que por temas de la pandemia se vio bastante afectada la industria de gas y petróleo, cuéntanos?

Cecibel: Es cierto Marielena, tal como pasó en otras industrias, la pandemia tomó por sorpresa la mayoría de las compañías petroleras y es que, esta paralización producto de la cuarentena a nivel mundial, realmente fue para todos un fenómeno sin precedentes, que en el caso de la industria, impulsó la implementación de nuevas estrategias y de tecnologías, principalmente, para ayudar a las personas a las mismas compañías, a adaptarse a este cambio tan brusco, de pasar a una modalidad de teletrabajo y a principalmente migrar esas actividades y procesos que antes se hacían de forma muy manual, hacia un entorno más digital y automatizado.

Claro si bien es cierto, que la industria petrolera ya venía manejando esto de la transformación digital, realmente se vio un antes y después a partir de este punto, porque fue cuando empezó el auge de implementar rápidamente estas estrategias,  vamos a decirlo así “virtuales”, para permitir a los ingenieros y a las personas tener acceso a la información y poder tomar decisiones de forma oportuna con un mínimo personal en campo, para poder así, cumplir con las restricciones por temas de pandemia.

Viendo temas de incorporación de tecnología, actualmente muchos campos están empezando por integrar equipos para adquisición de data, control y sistemas de envío y procesamiento de información, sin la necesidad de que haya una presencia de personal en las instalaciones. Realmente esta práctica ha agregado valor porque, ya que ha reducido costos logísticos y operativos a largo plazo. Sabemos que para entrar a campos petroleros e incluso también para entrar a minas, hay todo un proceso riguroso que hay que seguir, ahora con el tema de la cuarentena,  las pruebas Covid y las revisiones para garantizar que las personas que estén contagiadas no ingresen y no contagien a los demás. Entonces esto ha sido una solución ante esa problemática de tener que manejar una logística para los niveles de personal que se necesitan en instalaciones como estas.

Empresas que podemos decir, así de ejemplo que hayan implementado o impulsado temas de Machine Learning y de Inteligencia Artificial, tenemos muchas, entre las más destacadas podemos decir que están: Total, Shell e incluso también la Dirección de Petróleo de Noruega, desde allí han impulsado bastante el uso de la ciencia de datos, la cual obviamente pues en estos tiempos se ha visto beneficiada por el avance de las telecomunicaciones, y también por el tema de acceso a servicios en la nube y los desarrollos previos que ha tenido todo este sector, sin eso no habría sido posible la implementación que se está viendo ahora, realmente bueno si lo vemos en retrospectiva la implementación acelerada de inteligencia artificial fue un paso estratégico que se adoptó ante esta pandemia.

Y entendiendo lo que nos comentas ¿En qué casos, se puede aplicar la inteligencia artificial, en un pozo petrolero, hay un caso en específico, hay algunas restricciones, cuéntanos?

Cecibel: Cuando nos enfocamos en los pozos, es común que las personas que no están tan familiarizadas con este tipo de aplicaciones, realmente no sean del todo conscientes, que antes de poder implementar algo así o un algoritmo predictivo o algún tema de IA, es necesario que los pozos y los campos, tengan cierto nivel de automatización, por ejemplo, los pozos tienen que tener sistemas de monitoreo, porque sin ellos no podemos adquirir los datos y el campo tiene que ser capaz de poder suministrar estos datos a una nube o a un servidor donde se tenga acceso a ellos, sin la necesidad de que vaya un ingeniero hasta un Datalogger a descargar la data.

Entonces, estas dos aristas son bien importantes para tener en cuenta porque gracias a ellas es que se puede garantizar primero, la adquisición de los datos de fondo o de superficie, bien sea del variador de frecuencia o de los parámetros de bomba y segundo el tema del envío de información también es crítica, porque esto es lo que permite proporcionar los datos para que el algoritmo pueda funcionar y emitir pronósticos y también análisis predictivos que al final es lo que buscamos con esto. Si no garantizamos esta etapa y solo le damos datos puntuales que se adquirieron cuando se fue a campo, se recolectó la información y se volvió a oficina, el algoritmo igual te puede dar un resultado, pero esto va a ser como si tuvieras una foto para ese instante, más no vas a aprovechar en sí, toda la capacidad que tiene el mismo algoritmo de poder predecir eventos futuros y darte opciones para temas de mantenimiento, o alertas, o en fallas que tengas que subsanar más adelante.

Bueno en la actualidad de verdad que hay un interés creciente en utilizar este tipo de algoritmos, más que todo para la optimización de parámetros operacionales, un ejemplo que quiero rescatar que ha tenido bastante llegada, es el uso de Machine Learning en lo que son pozos con sistema de bombeo electro sumergible, sistemas de levantamiento artificial, allí básicamente las variables que utilizan, así a groso modo, de las que recuerdo en este momento, presión en el anular, en la tubería de producción, ven también el tema de revoluciones por minuto, presión y temperatura del aceite de la bomba y también lo que es la temperatura del motor, una vez que estos datos y otros son suministrados al algoritmo, entonces él puede comparar como se está comportando el sistema de levantamiento y allí puede determinar si se salió fuera de esos parámetros operacionales que se consideran como óptimos, entonces si el detecta alguna variación, lo que hace es que te emite una alarma y además, esa alarma es capaz de si ya tiene suficiente tiempo y suficiente data histórica, es capaz de recomendarte también acciones correctivas o preventivas para evitar que se produzca el evento o para corregirlo si ya está ocurriendo, entonces eso es valiosísimo para los ingenieros, porque les ayuda mucho a tomar decisiones más rápido y a poder tener pues esa capacidad de reacción, aunque no se encuentren físicamente en sitio.

Entonces bueno, eso es parte del apoyo que está dando este tipo de tecnologías, en pruebas piloto que se han hecho u otros campos donde se ha implementado, de hecho y estudios que se han hecho por empresas como Baker Hughes, por ejemplo, demuestran que estos algoritmos son capaces de pronosticar eventos entre 12 y 60 días antes de que se presenten, además de que te facilitan mucho lo que es el discernir entre tantas fallas, porque priorizan las que tengan mayor probabilidad de ocurrencia, y también te recomiendan lo que es acciones para mantenimiento preventivo o correctivos, según sea el caso que vaya identificando el algoritmo.

Ahora entendiendo lo eficaces que son estos algoritmos al momento de pronosticar eventos, quisiera hacerte una pregunta que estoy segura le interesa a todos nuestros oyentes, y es ¿En cuánto a proyección económica, esta aplicación de esta tecnología, representa algún ahorro económico?

Cecibel: Esa es una pregunta bien interesante, porque la industria siempre está ligada a la parte económica inevitablemente y qué sucede, que antes de abordarla necesitamos ver la parte operativa porque, qué sucede, nosotros podemos tener pérdidas por varios factores, tenemos primero, si un sistema de levantamiento falla, esto se traduce en la perdida de producción a causa de que se ha detenido el bombeo, luego tenemos el hecho de que si el sistema no se detiene pero está operando fuera de los parámetros operacionales, entonces se tiene una menor cantidad de barriles, es como por ejemplo, si tu diseñaste la bomba para que suba 12 barriles y está subiendo 6 estás perdiendo el 50% de la producción que deberías tener arriba, entonces allí se evidencia una perdida porque los equipos no están trabajando de forma óptima y por último, si solo hacemos mantenimientos correctivos y no preventivos entonces la producción tarde o temprano se va a ver afectada por paradas no programadas, cuando nos vamos al área económica para tratar de llevar esto a dinero, tenemos estudios que han realizado empresas como Baker Hughes, que ya han incorporado estas herramientas y ellos indican que al realizar la proyección económica de aplicar inteligencia artificial, principalmente en la prevención de fallas a través de mantenimiento preventivo, pueden evitarse perdidas cércalas a los 90 millones de Euros al año.

90 millones, es una cifra importante, ahora quisiéramos saber, ¿Qué otros beneficios además del económico, que entiendo que es bastante importante para la industria de oleo en gas, existen al implementar esta tecnología y ¿Cuáles serían?

Cecibel: Si claro, además, de hecho, si nos vamos a la parte operativa, tenemos lo que es la disminución de los costos asociados por pérdidas de producción de las paradas no programadas la optimización de los parámetros operacionales, más que todo de las bombas y la planeación eficiente del mantenimiento preventivo de los equipos en superficie, tenemos también lo que es la obtención y priorización de alertas en función de los eventos, imagínate que tienes un campo, con 100 pozos donde tienes instalado este tipo de inteligencia, esta herramienta y te levanta 80 alertas diarias, entonces es importante también no solo la cantidad si no la priorización de cuales son realmente críticas y debes ir atendiendo para que no tengas estas paradas de producción.

Tenemos lo que es el apoyo al especialista en la toma de decisiones, es decir ya el ingeniero no tiene que ir hasta campo a hacer la revisión si no que él desde la oficina puede ver cómo se están comportando los parámetros de bomba y así puede ir tomando decisiones y llamar para que se corrija lo que se puede hacer en sitio, la prevención de daño a causa de problemas derivados de las malas prácticas o fallas inminentes y por último el reconocimiento de patrones operacionales, que generalmente no son tan evidentes pero el algoritmo como es un poco más fino en la comparación de estos parámetros, si puede identificar las rutas que te conlleven a una falla, por eso es que tienen tanto éxito en la prevención, porque ellos te dicen 15, 60 días antes, mira si continuas por esta ruta es probable que se pare la bomba o se dañe algún equipo y eso te va a detener el pozo.

¿Pareciera entonces que el personal va a ser menos requerido dentro del campo, no? y eso pudiera plantearle a algunas personas algunos temores, como que habrá menos personal y menor posibilidad de empleo para aquellos que hacían esos recorridos y levantaban esos parámetros de la manera tradicional, ¿cómo ves esa parte y que se plantea desde ese aspecto?

Cecibel: Súper interesante esa pregunta, fíjate que me recuerda mucho a cuando surgió  todo el tema de los deliverys, porque eso fue una solución, ante un hecho inminente, que era que nos podíamos salir de nuestras casas y facilitó mucho las cosas para las personas y también para los locales que estaban prácticamente sin ventas porque nadie podía salir de sus hogares, entonces termino siendo una válvula de alivio, porque permitió a los consumidores tener acceso a los productos y generó empleo tanto, en el área de desarrollo de software, página web, aplicaciones para equipos móviles, como para estas personas que sirven de medio para llevar el  encargo desde el  punto “A” hasta el punto “B”. Entonces cuando lo vemos así y yéndonos ya al sector oil & gas, yo pienso que todo este auge con la automatización y la implementación del Machine Learning, realmente es una solución oportuna para todas las restricciones que están asociadas a la pandemia, a esta nueva realidad que estamos viviendo, de hecho, hay muchas restricciones que todavía seguimos padeciendo, el distanciamiento social, la cantidad mínima de personas en sitios, el tema de los protocolos Covid para ingresar o salir de este tipo de instalaciones, entonces yo creo realmente que la implementación de estas tecnologías, obviamente, va seguir evolucionando y eso le va a tomar algún tiempo y eso es normal, como todo, mientras tanto seguro que vamos a ver que se van a seguir desarrollando algoritmos predictivos en otras aplicaciones del proceso productivo y que eso es algo que no vamos a poder frenar, es decir es un paso que ya la industria y otras industrias tenían que dar y la pandemia simplemente lo acelero.

Creo que no viene a competir con la experticia y todos los años de experiencia del personal, más bien viene a ser de ayuda y de apoyo para que esas personas pues ya no tengan que estar en sitio recolectando los datos, si no que ahora puedan usar ese tiempo para analizar los datos y a través de toda esa experiencia y todo ese trabajo conjunto, puedan evaluar cuáles son las mejores alternativas o soluciones ante lo que este detectando el algoritmo.

Recordemos que el factor humano, siempre es valioso y siempre es vital en este tipo de industrias y de trabajos. Entonces eso es algo que no va a cambiar, yo creo simplemente que se va a acoplar, va a tomar su tiempo pero llegará el momento en el que ya los algoritmos sean uno más de los equipos de trabajo y los ingenieros pues se apoyen en eso y las personas operativas, pues también los vean como un aliado y así optimicen mucho lo que es el valor que ellos agregan en los campos y también para los equipos técnicos.

¿Cómo ves la implementación de estas tecnologías dentro de Latinoamérica? Como sabemos, Latinoamérica siempre está un paso detrás de muchas de estas implementaciones, quería tu punto de vista de ¿Cómo se integra la inteligencia artificial en los pozos, dentro de América Latina?

Cecibel: Si, bueno hemos hablado de empresas como Total, Shell incluso hemos hablado de Noruega, es bueno que lo traigamos un poco hacia América Latina, fíjate por ejemplo en Venezuela ya existen empresas con las que incluso nos hemos reunido, que han desarrollado estos algoritmos para identificar fallas en variadores de frecuencia y recomendar mantenimientos preventivos para optimizar los sistemas de levantamiento de bombeo de cavidad progresiva, como los que producen en la faja petrolífera del Orinoco.

Si vieron, todas las empresas anteriores que mencioné como Baker Hughes, Shell o Total, han trabajo mucho en el desarrollo de algoritmos predictivos asociados a bombeo electro sumergible y es la parte que tiene más desarrollo en la actualidad, por eso era importante hacer este tipo de algoritmos, enfocados a BCP y a su funcionamiento porque hay otros campos que tienen estos sistemas de levantamiento, que si bien son bombeo, son un poco distintos del electro sumergible.

Otro ejemplo que tenemos en el ámbito social y saliéndonos un poco del tema de pozos y de monitoreo; una empresa en Colombia llamada Glowfit, utiliza el Machine Learning y la inteligencia artificial para desarrollar materiales pedagógicos como maquetas, representaciones 3D y juegos aplicados al relacionamiento comunitario; que a través de un equipo de ingenieros, va a las comunidades, levanta información a través de encuestas y mucho relacionamiento, para luego usar más que todo algoritmos que han diseñado en Python para poder determinar cuál es la metodología más acertada para que esa comunidad cambie su percepción hacia la industria, e incluso han hecho varios artículos en la SPE y de estos indicadores ellos saben que han logrado incrementar en un 45% el nivel de aprobación de estas comunidades, lo que quiere decir, que funciona bastante bien, además de que con la investigación y ya más de 3 años haciendo esto en las comunidades, el algoritmo puede también pronosticar en qué épocas del año las comunidades son más propensas a hacer algún tipo de protesta, o intentar algún paro en las operaciones de la petrolera que está ahí en ese bloque.

Muy interesante esa aproximación más relacionada con el tema comunitario y ahora volviendo a la parte técnica, ¿Cuáles son los principales retos que presenta la implantación de este sistema de inteligencia artificial en el pozo petrolero?

Cecibel: Después de hacer este artículo y de sentarme a leer muchas fuentes me di cuenta que principalmente este reto viene de la mano de poder garantizar el suministro continuo de información, que permita a estos algoritmos usar los datos para identificar las fallas que hemos estado comentado a lo largo de toda la entrevista, para eso es fundamental que las instalaciones petroleras cuenten con los niveles de desarrollo apropiados, a través de equipos de adquisición de datos como por ejemplo, sensores de fondo en los pozos petroleros y sistemas de Scada, por mencionar algunos, mientras más automatizado este el campo, más viable es el acceso y envío de información en tiempo real para su uso en forma remota, de esta manera es que el algoritmo puede tener acceso a las variables que le permitan hacer el reconocimiento de patrones y predecir el comportamiento de los equipos, además de proponer acciones correctivas para disminuir la probabilidad de estas paradas no planificadas y una eventual pérdida de producción.

E’KABEL PODCAST RELACIONADOS