Uso de Inteligencia Artificial y/o Redes Neuronales para automatizar el proceso de detección de pulsos en señales MLWD

Abstract

La Transmisión en tiempo real de datos durante la perforación direccional en pozos de hidrocarburos utiliza métodos de telemetría diversos. Uno de los más utilizados es conocido como “Mud Pulse”. Este tipo de telemetría se basa en la transmisión de fluctuaciones de presión a través de la columna de lodo de perforación, dichas fluctuaciones se convierten en pulsos de presión, este tipo de telemetría tiene como problema fundamental las diversas componentes de ruido (ruido eléctrico, ruido por vibración, geometría del pozo, ruido de bombas, etc.) que se suman a la señal transmitida. Esto afecta el proceso de detección y decodificación de los pulsos en superficie, esta tarea es actualmente realizada visualmente por el ingeniero de campo quien depende de su experiencia para lograr un trabajo satisfactorio durante toda la perforación del pozo. La idea fundamental es automatizar el proceso de detección de pulsos mediante el uso de herramientas modernas como Deep Learning (Aprendizaje Profundo), Machine Learning (Aprendizaje Automático), Pattern Recognition (Reconocimiento de patrones), algoritmos de IA (Inteligencia Artificial) y/o Neural Networks (Redes Neuronales) para caracterizar y mejorar el proceso de detección de los pulsos y posterior decodificación de la información transmitida, minimizando el error humano durante la ejecución del trabajo en campo. Se plantea una solución a través del uso de MATLAB® y las múltiples funciones desarrolladas como wavelets y filtros digitales que permiten eliminar el ruido de las señales y de esta manera facilitar la detección de los “picos” de la señal digital de Presión previamente adquirida a través del sistema DSP. Esta solución se logra gracias a la gran similitud entre las señales MLWD y las señales ECG comúnmente adquiridas por el área médica en la parte del análisis cardiaco. A partir de aquí, se hacen las respectivas adecuaciones de señal como filtrados digitales para eliminación de ruido y se evalúan y observan los resultados de forma satisfactoria. Se plantean posibles mejoras como la implementación en plataformas diferentes como Python y un posible incremento del SNR para facilitar aún más la detección.