Método para predecir la calidad y los rendimientos de un crudo de petróleo.

Un método para predecir la calidad y los rendimientos de un crudo de petróleo mediante la aplicación de redes neurales y algoritmos genéticos

, caracterizado porque comprende las fases siguientes:

a) optimizar un sistema de redes neuronales por medio de un algoritmo genético de acuerdo con unos valores de entrada y de salida conocidos a priori;

b) determinar un número suficiente de características físico-químicas de un petróleo en bruto desconocido;

c) proporcionar dichas características físico-químicas a un sistema de red neuronal que consiste en una red neuronal de agrupación y al menos una red neuronal de predicción donde dichas redes neuronales se construyen y se optimizan por medio de algoritmos genéticos;

d) aplicar dichas características físico-químicas a dicha red neuronal de agrupación para asociar dicho crudo desconocido con un grupo predefinido al cual corresponde una red de predicción neuronal específica;

e) aplicar dichas características físico-químicas a dicha red neuronal de predicción de dicho grupo predefinido para predecir rendimientos y parámetros de calidad de dicho crudo desconocido.

Tipo: Patente Europea. Resumen de patente/invención. Número de Solicitud: E11176291.

Solicitante: ENI S.P.A..

Nacionalidad solicitante: Italia.

Dirección: PIAZZALE E. MATTEI, 1 00144 ROME ITALIA.

Inventor/es: PAVONI,SILVIA.

Fecha de Publicación: .

Clasificación Internacional de Patentes:

  • SECCION G — FISICA > METROLOGIA; ENSAYOS > INVESTIGACION O ANALISIS DE MATERIALES POR DETERMINACION... > Investigación o análisis de materiales por métodos... > G01N33/28 (aceites (aceites o grasas comestibles G01N 33/03))

PDF original: ES-2465229_T3.pdf

 

google+ twitter facebook

Fragmento de la descripción:

Método para predecir la calidad y los rendimientos de un crudo de petróleo La presente invención se refiere al campo del estudio y análisis de materiales para determinar sus propiedades físicas y químicas y, en particular, a un método para predecir la calidad y los rendimientos de crudos de petróleo o petróleo en bruto.

La posibilidad de predecir la calidad y los rendimientos de un petróleo en bruto a partir de pequeñas cantidades de muestra es un instrumento útil de análisis comercial y operativo.

Los análisis necesarios para caracterizar un petróleo bruto en términos de rendimientos y de calidad de los productos que se pueden obtener a partir de su destilación primaria (GPL, nafta, gasóleo, destilado a vacío, residuo de destilación) necesitan una considerable dedicación tanto en términos de tiempo como de equipos.

La posibilidad de predecir rendimientos y/o características físico-químicas de crudos, a través de algoritmos que usan parámetros determinables fácilmente o análisis de rutina como datos de entrada, ofrece numerosas ventajas.

La selección óptima de crudos es un factor importante para las compañías de refinado, puesto que la calidad del petróleo es una parte integrante del plan de compras del crudo y las compañías de refinado deben encontrar una estrategia adecuada para su gestión.

Las variaciones frecuentes en la calidad de las materias primas de la refinería requieren especial atención a este aspecto.

En la industria del petróleo, un sistema de predicción fiable de los rendimientos y de la calidad del crudo, sobre la base de resultados analíticos limitados y obtenibles rápidamente, puede ser un instrumento útil para muchos objetivos:

-para una vista general rápida de la calidad de los crudos que vienen de los pozos;

-para cartografiar las variaciones de calidad en un depósito;

-para predecir la calidad de una carga de petróleo bruto;

-para optimizar las operaciones de refinado, en particular con crudos que tienen un intervalo de calidad muy variable;

-para tener una idea rápida acerca de la tendencia evolutiva de la calidad del crudo.

En la técnica de vanguardia se conocen métodos de predicción de las características de los crudos con análisis estándar de laboratorio.

El documento de la patente de Estados Unidos número 5.699.269, por ejemplo, describe un método para predecir las propiedades de un petróleo bruto o de sus fracciones que comprende la selección de diversos parámetros físicoquímicos, la creación de un conjunto indicador con muestras de referencia, el análisis de las muestras mediante cromatografía de gases acoplada a espectroscopia de masas (GC-MS, por sus siglas en inglés) para generar coeficientes, los cuales, cuando se multiplican por los resultados obtenidos en los análisis GC-MS de una muestra desconocida, predicen diversos parámetros de rendimiento del crudo.

Este método requiere una estrategia físico-matemática extremadamente compleja y un gran número de muestras de referencia.

En la técnica de vanguardia, hay también otros modelos de predicción de calidad de hidrocarburos que usan redes neuronales. Sin embargo, estos métodos se aplican a fracciones refinadas y necesitan datos obtenidos con instrumentación compleja (espectrometría de masas, RMN, etc) , mientras que los modelos análogos que usan análisis simples realizados comúnmente in situ nunca se han aplicado con éxito a petróleos en bruto.

El documento de la patente de Estados Unidos número 6.477.516, por ejemplo, describe un método para predecir los parámetros de hidrocarburos utilizando redes neuronales. En particular, la patente previamente citada describe un método que proporciona extraer al menos un dato de un espectro RMN de un hidrocarburo para proporcionarlo a una red neuronal, en el que dicha red neuronal se entrena para correlacionar los valores extraídos del espectro con los parámetros del hidrocarburo, de tal modo que se puedan predecir los parámetros deseados a partir de la información extraída a partir del espectro RMN.

Otro método se describe en el documento de la patente de Estados Unidos número 5.572.030 para evaluar ciertos parámetros de un hidrocarburo, en el cual se codifica el espectro infrarrojo (NIR, espectroscopia infrarroja cercana, por sus siglas en inglés) y se reduce a un cierto número de puntos, los cuales se suministran luego a una red neuronal. Esta red neuronal se entrena para correlacionar los puntos obtenidos a partir del espectro con los parámetros deseados del hidrocarburo.

Ninguno de los documentos mencionados previamente describe un método capaz de predecir de manera adecuada un conjunto completo de rendimientos y calidades de un petróleo en bruto utilizando redes neuronales a partir de unos pocos datos analíticos determinables fácilmente, ni ha descrito redes neuronales optimizadas y construidas por medio de algoritmos genéticos.

El solicitante ha considerado el problema de encontrar un método simple y eficaz para predecir las cantidades y rendimientos de petróleos en bruto con el uso de redes neuronales, para superar los inconvenientes previamente mencionados.

Las redes neuronales artificiales son modelos matemáticos que representan la interconexión entre elementos definidos denominados neuronas. Cada neurona o nodo recibe señales de entrada, las procesa de acuerdo con unas funciones de transferencia y transmite el resultado a los nodos posteriores. Cada entrada a un nodo tiene un peso específico que sirve para cuantificar su importancia. Los nodos individuales están conectados a una matriz de neuronas posteriores de tal modo que forman una red de neuronas. El comportamiento de cada nodo se caracteriza por funciones de transferencia específicas. Cada nivel de conexión entre neuronas consecutivas se indica comúnmente mediante el término capa. Por ejemplo, los niveles de entrada y de salida forman dos capas de la red neuronal.

El artículo científico “Clasificación de orígenes geográficos de crudos de petróleo a partir del espectro infrarrojo cercano de asfaltos”, de M. Blanco et al., Applied Spectroscopy, julio 2001, páginas 834 a 839, describe un método para predecir el origen de asfaltos bituminosos tomando como base la espectroscopia de infrarrojo cercano, el análisis de componentes principales y el análisis de agrupaciones. Además, los resultados de la clasificación se introducen en un modelo de red neuronal artificial.

El artículo científico “Determinación de propiedades físicas de asfaltos bituminosos utilizando espectroscopia de infrarrojo cercano con redes neuronales. Modelado conjunto de parámetros lineales y no lineales”, de M. Blanco et al., Analyst, 2001, 126, páginas 378 a 382, describe el uso de un modelo de red neuronal artificial para determinar de manera simultánea dos o más parámetros no lineales de asfalto bituminoso.

El solicitante ha buscado un sistema rápido de predecir la calidad de los crudos en términos de rendimientos de las diversas fracciones y características físico-químicas relativas sin que se necesite la larga fase de destilación del crudo y la caracterización posterior de las fracciones individuales, como se necesita en el conjunto de procedimientos analíticos estándar previstos en el ensayo del petróleo crudo.

El objetivo de la presente invención es proporcionar un método para predecir las calidades y los rendimientos de crudos de petróleo mediante la aplicación de redes neuronales y algoritmos genéticos.

Por lo tanto, un objeto de la presente invención se refiere a un método para predecir las calidades y los rendimientos de crudos mediante la aplicación de redes neuronales y algoritmos genéticos,... [Seguir leyendo]

 


Reivindicaciones:

1. Un método para predecir la calidad y los rendimientos de un crudo de petróleo mediante la aplicación de redes neurales y algoritmos genéticos, caracterizado porque comprende las fases siguientes:

a) optimizar un sistema de redes neuronales por medio de un algoritmo genético de acuerdo con unos valores de entrada y de salida conocidos a priori;

b) determinar un número suficiente de características físico-químicas de un petróleo en bruto desconocido;

c) proporcionar dichas características físico-químicas a un sistema de red neuronal que consiste en una red neuronal de agrupación y al menos una red neuronal de predicción donde dichas redes neuronales se construyen y se optimizan por medio de algoritmos genéticos;

d) aplicar dichas características físico-químicas a dicha red neuronal de agrupación para asociar dicho crudo desconocido con un grupo predefinido al cual corresponde una red de predicción neuronal específica;

e) aplicar dichas características físico-químicas a dicha red neuronal de predicción de dicho grupo predefinido para predecir rendimientos y parámetros de calidad de dicho crudo desconocido.

2. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 1, en el que dichas características físico-químicas de dicho crudo desconocido se escogen entre las siguientes: gravedad API, contenido en azufre, viscosidad, acidez, residuo de carbono, contenido de níquel, contenido de vanadio, factor K UOP, asfaltenos, densidad, punto de humo, punto de congelación, punto de turbidez y punto de fluidez.

3. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 1, en el que los rendimientos predichos para las fracciones de crudo se refieren a: contenido de gas, contenido de naftas, contenido de queroseno, contenido de gasóleo, contenido de destilado a vacío y residuo.

4. El método según la reivindicación 3, en el que para cada una de dichas fracciones, los parámetros de calidad predichos se escogen entre los siguientes: densidad, contenido de azufre, viscosidad. acidez, contenido de compuestos aromáticos, contenido de parafinas, contenido de naftenos, punto de humo, punto de congelación, punto de turbidez y punto de fluidez, residuo de carbono, asfaltenos, contenido de níquel y contenido de vanadio.

5. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 1, en el que el número de características del crudo determinadas en la etapa a) es al menos 4.

6. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 1, en el que dicho grupo predefinido es una combinación de intervalos de valores de dichas características físico-químicas del crudo.

7. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 1, en el que el número de dichos grupos predefinidos varía de 5 a 10.

8. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 1, en el que dicho sistema de redes neuronales consiste en redes neuronales de agrupación del tipo de mapa auto-organizado.

9. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 1, en el que dicho sistema de redes neuronales consiste en redes neuronales de predicción del tipo de retro-propagación.

10. El método para predecir la calidad y los rendimientos de un crudo según cualquiera de las reivindicaciones precedentes, en el que las funciones de transferencia de las neuronas de dicha red neuronal de predicción del tipo de retro-propagación son funciones lineales o, de manera alternativa, tangentes hiperbólicas.

11. El método para predecir la calidad y los rendimientos de un crudo según cualquiera de las reivindicaciones precedentes, en el que dichas redes neuronales tienen al menos tres capas, que comprenden las capas de entrada y de salida.

12. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 1, que comprende también una fase preliminar de entrenamiento.

13. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 12, en el que dicha fase de entrenamiento comprende las fases siguientes:

i) aplicar características físico-químicas de crudos conocidos como entrada y los rendimientos y parámetros de calidad correspondientes de crudos conocidos como salida, a dicho sistema de redes neuronales;

ii) construir y optimizar dicha red neuronal de agrupación por medio de algoritmos genéticos, distribuyendo los datos de entrada en un número conveniente de grupos, de tal modo que cada grupo corresponde a un nivel de homogeneidad óptimo;

iii) para cada uno de dichos grupos, construir y optimizar una red neuronal de predicción asociada con él, utilizando algoritmos genéticos y atribuyendo las características físico-químicas y los rendimientos y parámetros de calidad correspondientes de dichos crudos conocidos que se relacionan con dicho grupo;

iv) validar dicho sistema de redes neuronales minimizando la desviación entre los valores de los rendimientos y de los parámetros de calidad predichos y los valores correspondientes de los crudos conocidos.

14. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 13, en el que dicho nivel óptimo de homogeneidad corresponde al algoritmo de Kohonen.

15. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 13, en el que los datos de entrada de dicha red neuronal de predicción son los mismos que los de la red neuronal de agrupación.

16. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 13, en el que hay al menos 30 de dichos tipos de crudos conocidos.

17. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 13, en el que, durante dicha fase de entrenamiento, se asigna a dichas redes neuronales pesos iniciales escogidos al azar, los cuales se ajustan y se optimizan posteriormente hasta que se maximice el coeficiente de correlación “r” entre los valores conocidos y los valores predichos.

18. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 13, en el que, durante dicha fase de entrenamiento, se asigna a dichas redes neuronales pesos iniciales escogidos al azar, los cuales se ajustan y se optimizan posteriormente hasta que se minimice el error de predicción.

19. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 13, en el que dichas redes neuronales se optimizan y se construyen en la fase de entrenamiento con ayuda de algoritmos genéticos, según las etapas siguientes:

1. crear una población inicial de genotipos (representaciones genéticas de redes neuronales) ;

2. construir un fenotipo de redes neuronales basado en los genotipos;

3. entrenar y probar las redes neuronales para determinar en qué medida o grado corresponden al parámetro de discriminación;

4. comparar los resultados obtenidos para escoger las mejores redes;

5. seleccionar las mejores redes entre las poblaciones disponibles y descartar las peores;

6. llevar la población escogida a un valor de cálculo pre-establecido según una de las siguientes sub-fases:

6.1 entrecruzar los genotipos de las redes neuronales;

6.2 acoplar los genotipos mediante el intercambio de los genes (características) entre las redes;

6.3 cambiar los genotipos según una modalidad al azar

7. reanudar el procedimiento desde la etapa 2 hasta alcanzar un criterio de parada.

20. El método para predecir la calidad y los rendimientos de un crudo según la reivindicación 19, en el que dicho criterio de parada es la maximización del coeficiente de correlación “r” entre los valores conocidos y los predichos por el sistema o, de manera alternativa, la minimización del error.