Medidor virtual de flujo (VFM) con inteligencia artificial para la predicción del flujo de gas en el campo Pucuna
No Thumbnail Available
Files
Date
2026-07-06
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Técnica de Ambato. Facultad de Ingeniería en Sistemas Electrónica e Industrial. Carrera de Software.
Abstract
At Petroecuador’s Pucuna field, associated-gas measurement in flares is limited by scarce instrumentation, manual estimates, and high costs of physical meters, hindering operational decisions. This study proposes a Virtual Flow Meter (VFM) using artificial intelligence to estimate daily gas flow from operational variables (pressure, temperature, and liquid production).
The work combined semi-structured interviews, a Virtual Flow Metering literatura review, and 2,192 daily observations stored in PostgreSQL. Ridge, Random Forest, SVR, and MLP were evaluated; the multilayer perceptron achieved the best test performance (25 %): R2 = 97.02%, MAE = 0.13%, andRMSE = 0.18%.
An integrated system was built with RAD, Laravel, Python/FastAPI, Tensor-
Flow/Keras, PostgreSQL, and Docker for data loading, training, prediction, and visualization; daily predictions can be aggregated by period (e.g., monthly) to support operational balances. Fifteen functional and non-functional requirements reached 100% compliance through unit, integration, and black- and white-box testing. The results confirm the technical feasibility of a software VFM for field pilot deployment and model recalibration.
Description
En el Campo Pucuna de Petroecuador, la medición del gas asociado en flares
enfrenta limitaciones por escasa instrumentación, estimaciones manuales y elevado costo de medidores físicos, lo que dificulta decisiones operativas. Este trabajo propone un Medidor Virtual de Flujo (VFM) basado en inteligencia artificial para estimar el caudal diario de gas desde variables operacionales (presión, temperatura y producción liquida).
La investigación integro entrevistas semiestructuradas, revisión bibliográfica de
Virtual Flow Metering y análisis de 2 192 observaciones diarias trazables en PostgreSQL.
Se evaluaron Ridge, Random Forest, SVR y MLP; el perceptron multicapa alcanzo el mejor resultado en prueba (25 por ciento): R2 = 97,02%, MAE = 0,13 por ciento y RMSE = 0, 18 por ciento
Se desarrolló un sistema bajo metodología RAD con Laravel, Python/FastAPI,
TensorFlow/Keras, PostgreSQL y Docker, que permite cargar datos, entrenar modelos, predecir y visualizar resultados; las predicciones diarias pueden consolidarse por periodo (por ejemplo, mensual) para apoyar balances operativos. Los 15 requerimientos funcionales y no funcionales cumplieron el 100 % mediante pruebas unitarias, de integración y de caja blanca y negra. Se concluye la viabilidad técnica del VFM para un piloto en campo y recalibración del modelo.
Keywords
MEDIDOR VIRTUAL DE FLUJO, VIRTUAL FLOW METERING, INTELIGENCIA ARTIFICIAL, PERCEPTRON MULTICAPA, CAMPO PUCUNA, PETROECUADOR, GAS ASOCIADO, APRENDIZAJE SUPERVISADO.