MX2013008812A - Sistema y metodo para utilizar una red artificial neural para simular tuberias hidraulicas en un simulador de deposito. - Google Patents

Abstract

Se describe un método para implementar un simulador de yacimientos. El método comprende desarrollar información de entrenamiento realizando cálculos en un conjunto inicial de información de entrada relacionada con las condiciones del yacimiento para obtener la información de salida correspondiente; entrenar a una red neuronal artificial (ANN) para realizar cálculos utilizando la información de entrenamiento y utilizar la ANN entrenada para realizar cálculos en un segundo conjunto de información de salida parta obtener la información de salida correspondiente para uso del simulador de yacimiento al realizar simulaciones.

Description

SISTEMA Y METODO PARA UTILIZAR UNA RED ARTIFICIAL NEURONAL PARA SIMULAR TUBERIAS HIDRAULICAS EN UN SIMULADOR DE DEPÓSITO ANTECEDENTES La simulación de yacimientos es un área de la ingeniería de yacimientos que emplea modelos de computadora para predecir el flujo de fluidos, tales como: petróleo, agua y gas, dentro del yacimiento. Los simuladores de yacimientos son utilizados por los productores de petróleo para determinar la mejor manera de desarrollar nuevos campos, así como para la generación de previsiones de producción en el que las decisiones de inversión se basan en relación con los campos desarrollados.

Los simuladores de yacimientos modelan numéricamente el flujo de hidrocarburos y salmueras en los yacimientos y las velocidades de circulación o flujo de fluidos, a través de las tuberías y dispositivos que comprenden las instalaciones de recolección y de inyección para el yacimiento. Uno de los principales factores que afectan las velocidades de flujo, calculadas mediante simuladores de yacimientos, es la hidráulica de tubería, particularmente, la caída de presión en las tuberías de las instalaciones de recolección e instalaciones de inyección. En consecuencia, la caída de presión se debe calcular con precisión con el fin de monitorear y simular con precisión las tasas de flujo en el yacimiento.

En los simuladores de yacimientos existentes, la información de caída de presión para las instalaciones de recolección e inyección, tales como las conexiones de tubería, se obtienen ya sea de un buscador o una tabla VLP o calculando la caída de presión a través del uso de correlaciones de caídas de presión. En el primer enfoque, las tablas VLP son calculadas por un programa externo al simulador, utilizando las correlaciones de caída de presión. Las tablas de VLP son multidimensionales, proporcionando la caída de presión como una función de varias variables. Estas variables incluyen, típicamente, la velocidad de flujo de la superficie de una fase, índices tales como el corte de agua y la relación de gas /petróleo, la presión en un extremo de la tubería y, para las simulaciones de composición, alguna medida de la variación de la composición, tales como la fracción molar del componente clave o la media de peso molecular. Este enfoque no capta completamente la dependencia de la composición del fluido (es decir, la fracción molar de cada componente en el líquido, lo que limita la utilidad de las tablas VPN para las simulaciones de composición.) En el segundo enfoque, las caídas de presión son calculadas durante la simulación, utilizando las correlaciones de caída de presión, a los fines de que la dependencia de la composición sea completamente capturada. Sin embargo, esto puede ser computacionalmente costos en virtud de que los cálculos deben ser realizados numerosas veces durante las simulaciones ya que las velocidades de flujo, la composición de fluido y presión cambian a pesar de que los valores para las velocidades de flujo, composición y presión sean similares a cálculos anteriores.

Breve Descripción de los Dibujos Una comprensión más completa de la presente divulgación y de las ventajas de la misma pueden adquirirse al referirse a la siguiente descripción, vista en conjunto con las figuras que la acompañan, donde: La Fig.l ilustra un ejemplo de un modelo de simulación de yacimiento que comprende múltiples pozos.

La Fig.2 es un diagrama bloque de un sistema ejemplar para entrenar un ANN de conformidad con una representación .

La Fig. 3 es un diagrama bloque del ejemplo de una representación de una porción de un simulador de yacimiento implementado utilizando la ANN entrenada de la Fig. 2 La Fig. 4 es un diagrama de flujo de una representación de un procedimiento de solución iterativa implementado en el simulador de yacimiento, tal como el simulador de yacimiento de la Fig. 3 La Fig. 5 es un diagrama de flujo de un cálculo de la caída de presión utilizando la correlación Beggs y Brill de conformidad con una representación.

Descripción Detallada En la descripción detallada de la representaciones se utilizan numerales similares para designar partes similares. Varios ítems de los equipos tales como: tuberías, válvulas, bombas, sujetadores, accesorios, etc pueden omitirse para simplificar la descripción. Sin embargo, aquellos expertos en la técnica se darán cuenta que dicho equipo convencional puede ser empleado como se desee .

Para sobreponer la anterior observación y otras limitaciones de los enfoques actuales, una o más representaciones descritas en el presente documento comprenden un simulador de yacimiento que emplea una red neuronal artificial ("ANN") como un modelo indirecto. Inicialmente, tal y como se describe a continuación con referencia a la Fig. 5, una representación utiliza las correlaciones de caida de presión para calcular la información de caida de presión y almacena las entradas de información o datos, incluyendo la masa total (o molar) de las velocidades de flujo, composición del fluido (por ejemplo la fracción molar o de masa de cada componente del mismo) , la presión-ya sea a la entrada o a la salida de la tubería y la temperatura del fluido como una función de ubicación en la tubería y la correspondiente información o datos de salida (por ejemplo, la caída de la presión) . Alternativamente, la información de entrada puede comprender la velocidad de flujo molar o de masa de cada componente, junto con la presión de entrada o salida y la distribución de temperatura. Después de varias etapas en el tiempo, la información de entrada y salida correspondiente, puede utilizarse ventajosamente para entrenar a la ANN. La información de entrada previa puede extenderse por extrapolación y pueden realizarse los cálculos de caída de presión adicionales en la información extrapolada antes del entrenamiento del ANN, a los fines de extender el rango sobre el cual el ANN sea preciso. Una vez que el ANN ha sido entrenada, podrá ser utilizada como un modelo indirecto y en un simulador de yacimiento para calcular las caídas de presión como una función de las velocidades de flujo de corriente, presiones y temperaturas y si el simulador lo requiere, para proporcionar derivados numéricos mediante la perturbación de la información de entrada en relación a las condiciones actuales. Periódicamente, o en respuesta a una desviación significativa de la información de entrada del rango de la información de entrenamiento, los cálculos de la caída de presión total pueden realizarse una vez más para asegurar que la información de entrada esté todavía dentro del rango en que el ANN proporcione resultados suficientemente exactos. Dichos cálculos periódicos también podrán almacenarse para que así cuando la certeza de la ANN se convierta en inaceptable, se encuentre disponible para reentrenar a la ANN. Calcular la caída de presión a través del uso de la ANN contrariamente a utilizar las correlaciones de caídas de presión resultará en un ahorro sustancial del tiempo del CPU. Adicionalmente, la precisión del simulador será superior a la utilización de tablas de VPN, dada la limitada capacidad de los mismos para capturar los efectos de la composición.

En muchas situaciones, es común ejecutar los mismos datos o información de simulación de base, usando la información o datos de entrada levemente diferentes, para por ejemplo, evaluar las estrategias de funcionamiento alternativas. Para lograr una mayor ventaja de la ANN, los parámetros finales para la ANN entrenada y los datos utilizados para entrenarla podrían ser la salida en la finalización de la primera ejecución de simulación y utilizado en ejecuciones posteriores del mismo modelo de simulación base. Tal como en la ejecución inicial, la exactitud de la ANN se comprueba para determinar si los datos de entrada se desviaron de la gama de datos de entrenamiento para que la ANN pueda re-entrenarse si las ejecuciones posteriores resultaran en condiciones muy diferentes de la ejecución inicial.

El uso de una ANN como un modelo indirecto en un simulador de yacimiento también puede proporcionar la ventaja de suministrar cierta suavidad a las caídas de presión calculadas. Las correlaciones de caída de presión, típicamente, tienen discontinuidades debidas a los cambios en los regímenes de flujo, tales como flujo tipo bala/versus flujo de burbujas. Por lo general, estas discontinuidades no representan un fenómeno físico real, sino más bien una limitación de la correlación. Las discontinuidades son numéricamente indeseables porque pueden retrasar o incluso prevenir las convergencias de los esquemas de iteración de Newton, comúnmente utilizados en simuladores de yacimientos.

La Fig. 1 ilustra un ejemplo de un modelo de simulación de yacimiento 100 que comprende cuatro pozos 102 y una red de tuberías de superficie 104, la cual conecta los pozos a un terminal 106. Cada uno de los pozos 102 está conectado a una respectiva culminación 110 por medio de tuberías 112.

La Fig. 2 es un diagrama de bloque de un ejemplo de un sistema 200 para el entrenamiento de una red neuronal artificial ("ANN") 201 para la simulación de un yacimiento, tal y como se encuentra representado por el modelo 100 (Fig. 1), de acuerdo con una representación. Para fines de ejemplo, se supondrá que la ANN 201 está siendo entrenada para funcionar como un modelo indirecto para uso en un simulador de yacimiento, a los fines de calcular las caídas de presión como una función de las velocidades de flujo, presiones y temperaturas actuales y si lo requiere el simulador, para proporcionar derivados numéricos perturbando los datos o información de entrada sobre las condiciones actuales. En particular, los datos de entrenamiento 202, derivados como se muestra en la Figura. 5, son una entrada para la ANN 201, la salida de los cuales se corresponde con los datos o información de objetivo 204 y se utiliza para generar un vector error 206. Un módulo de aprendizaje supervisado 208 utiliza el vector error 206 recibido para ajusfar los pesos del ANN 201 en la medida que sea necesario. Este proceso se repite hasta que el ANN 201 ha convergido, es decir, hasta que se determine que el vector de error está dentro de un rango predefinido. En este punto, la ANN 201 se considerara que ha sido entrenada. Durante el entrenamiento, la información de entrada de entrenamiento a la ANN 201 comprende la data o información de entrada descrita anteriormente para calcular las caídas de presión y la correspondiente información o datos objetivo que comprende la caída de presión, la cual se calcula utilizando correlaciones de caídas de presión durante el desarrollo de los datos o información de entrenamiento.

Se reconocerá además, que los datos de entrenamiento 202 y los datos o información objetivo 206 pueden ser almacenados en una o más bases de datos y/u otros tipos de memoria y que la ANN 201 se implementa a través de uno o más procesadores que ejecutan instrucciones almacenadas en un medio de almacenamiento legible por ordenador. Además, aunque no se muestra, se entiende que el sistema 200 también puede comprender varios dispositivos de entrada y/o salida para permitir a un usuario interactuar con el proceso de entrenamiento de la ANN en diversos puntos del mismo y puede comprender uno o más módulos implementados en el ordenador, para llevar a cabo diversas funciones del sistema. Más aun, a pesar de que un método para entrenar a la ANN 201 se encuentra ilustrado en la Fig. 2, se debe reconocer que existen cualquier número de métodos de entrenamiento conocidos (por ejemplo: método evolucionarlo, recocido simulado, maximizacion-expectativa y no paramétricos) y/o tipos (por ejemplo: acción directa y recurrente) de ANNs pueden utilizarse para entrenar e implementar a la ANN.

La Fig. 3 es un diagrama bloque de un ejemplo de una representación de una porción de un simulador de yacimiento 300, implementado utilizando ANN 201 (después de que ha sido entrenado, tal y como se describe con referencia a la Fig. 2) . Tal y como se encuentra ilustrado en la Fig. 3, en respuesta a la información de entrada 302, incluyendo la velocidad de flujo, composición de fluido, presión y temperatura, la ANN 201 produce información o datos de salida 304, por ejemplo, los cálculos de calda de presión correspondientes. Se reconocerá que la información de entrada 302 e información de salida 304 podrá ser almacenada en una o más base de datos y/u otros tipos de memoria y que el simulador 300 y la ANN 201 son implementados por medio de uno o más procesadores ejecutando instrucciones almacenadas en un medio legible por un ordenador o computadora. Asimismo, aunque no se muestra, se entiende que el sistema 200 también puede comprender varios dispositivos de entrada y/o salida para permitir a un usuario interactuar con el proceso de entrenamiento de la ANN en diversos puntos del mismo.

Haciendo referencia ahora a la Figura. 4, se ilustra en ella un diagrama de flujo de una realización de un procedimiento de solución iterativo en un simulador de yacimiento. En la etapa 400, las velocidades de flujo de la red y de los pozos y las presiones se inicializan a través de la utilización, ya sea de la solución desde el paso de tiempo anterior o una estimación arbitraria sobre la base de las velocidades de flujo típicas y caldas de presiones desde el yacimiento hasta el pozo. En la etapa 402, las ecuaciones de pozo y de red se evalúan utilizando la presión del yacimiento y la movilidad de fluidos en el yacimiento como condiciones de lindero fijo y las velocidades de flujo y presiones de la estimación inicial o la iteración anterior. Las ecuaciones de la red pueden incluir ecuaciones de caída de presión, balances de masa de los componentes, ecuaciones de restricción de tasas y presión y otras ecuaciones. Esta puede incluir la iteración para determinar las caídas de presión en los tubos, tuberías y (posiblemente) terminaciones. En la etapa 404, se hace una determinación si la solución ha convergido. En general, la solución se hace converger cuando la caída de presión calculada utilizando los tipos de flujo de corriente y presiones concuerdan dentro de una pequeña tolerancia con la diferencia de presión entre la entrada y la salida de cada conexión en la red, todas las tasas y las limitaciones de presión están satisfechas (es decir, completamente satisfechas o no se excedieron) , los balances de masa se cumplen dentro de una pequeña tolerancia y cualesquiera otras ecuaciones, tales como ecuaciones de separación, también se satisfacen dentro de una pequeña tolerancia. Si no, la ejecución procede a la etapa 406, en la cual las ecuaciones lineales del pozo y de las redes se resuelven y las tasas de flujo y las presiones se actualizan, en cuyo punto la ejecución vuelve a la etapa 402. Una vez que se hace una determinación en la etapa 404 de que la solución ha convergido, la ejecución procede a la etapa 408.

En la etapa 408, el sistema lineal de las ecuaciones del pozo y del yacimiento se solucionan simultáneamente y las tasas de flujo y presiones se actualizan. Se observará que las ecuaciones de red y de la caída de presión pueden solucionarse simultánea o secuencialmente . En la etapa 410, se hace una determinación si la solución ha convergido o no. Si no, la ejecución se devuelve a la etapa 402; de otra forma, la ejecución procede a la etapa 412 en la cual las velocidades de flujo del pozo y de la red, calculadas en la etapa de tiempo inmediatamente precedente, pueden accesarse para su uso y la ejecución retorna a la etapa 404.

Existen, por lo menos, dos enfoques de técnicas previas conocidas para calcular la presión en la tubería. En cualquier enfoque, la tubería, el tubo o culminación se divide en múltiples segmentos. En el primer enfoque, la tubería se segmenta finamente y el cálculo de caída de presión se realiza sin iteración al calcular la caída de presión en cada segmento de la tubería. En este enfoque, un extremo del segmento de tubería se escoge como punto de partida o inicio y la presión al final del segmento de la tubería se utiliza como condición limítrofe. Las propiedades del fluido se evalúan a esa presión y las propiedades se utilizan para calcular la presión al otro extremo del segmento de la tubería. La presión calculada se convierte en la condición limítrofe para el próximo segmento de la tubería. El segundo enfoque segmenta la tubería de una manera más tosca y evalúa las propiedades del fluido a una presión promedio del segmento de la tubería y luego itera hasta que la presión converge.

Ahora refiriéndonos a la Fig. 5 ilustrada, en el presente documento hay un diagrama de flujo de un cálculo de caída de presión utilizando la correlación Beggs y Brill, de conformidad con una representación. Dada la velocidad de flujo, composición, temperatura promedio y un estimado inicial de la caída de presión del segmento, para cada segmento, en la etapa 500, la ecuación de estado u otro modelo PVT se usa para calcular las propiedades del fluido (tal como: densidad y viscosidad) para cada fase (por ejemplo: aceite y agua) . En la etapa 502, las propiedades calculadas en la etapa 500 se utilizan para calcular un flujo volumétrico y la velocidad de cada fase. En la etapa 504, el deslizamiento de la retención líquida, el cual es el índice de flujo volumétrico de liquido a flujo volumétrico total y los números sin dimensiones (tal como el numero Reynolds) son calculados. En el paso 506, el patrón de flujo se determina a partir del deslizamiento de la retención líquida y de los números sin dimensiones. Por ejemplo, en una representación, el patrón de flujo puede ser segregado (508), intermitente (510) o distribuido (512). En la etapa 514, el factor fricción y mantenimiento son calculados y utilizados para calcular la caída de presión en cada segmento. En la etapa 516, los segmentos se suman para obtener la caída de presión de toda la tubería.

En la etapa 518, se hace una determinación en cuanto a sí la caída de presión en la tubería está cerca, dentro de una pequeña tolerancia, a la caída de presión calculada previamente. Si es así, termina la ejecución en la etapa 520, de lo contrario, la ejecución continúa en la etapa 522, en la que se resuelven las ecuaciones lineales para toda la tubería y las presiones se actualizan. La ejecución vuelve entonces a la etapa 502.

Se reconocerá que el proceso ilustrado en la Fig. 5 se utiliza para desarrollar la data o información inicial de entrenamiento (por ejemplo: la data o información cargada al sistema y la data o información descargada) , a los fines de entrenar a la ANN, tal y como se ilustra en la Fig. 2. Una vez que la ANN está entrenada, la misma ANN se utiliza para realizar el proceso ilustrado en la Fig. 5.

Mientras ciertas características y representaciones de la invención han sido descritas en detalle en el presente documento, se entiende que la invención abarca todas las modificaciones y mejoras dentro del alcance y el espíritu de las siguientes reivindicaciones. Por otra parte, no pretenden limitarse los detalles de construcción o diseño mostrados en este documento, excepto como se describe en las reivindicaciones siguientes. Por otra parte, los expertos en la técnica apreciarán que la descripción de diversos componentes al estar orientados verticalmente u horizontalmente no pretende ser limitaciones, pero que se proporcionan para la conveniencia de describir la invención .

Por ejemplo, aunque la ANN se describe como un modelo indirecto para la simulación de sistemas hidráulicos de tubería, en un simulador de yacimientos, la ANN puede ser utilizada para modelar otras características dentro del yacimiento y para generar información o datos para uso del simulador. Adicionalmente, aunque se ha descrito un método especifico para entrenar a la ANN, existe un numero de diferentes métodos de entrenamiento conocidos y tipos correspondientes de ANN que se pueden utilizar para entrenar e implementar el ANN 201. Por otra parte, mientras que los cálculos de caída de presión se muestran y describen como siendo realizados usando las correlaciones Beggs y Brill, se reconocerá que otras correlaciones, tales como Hagedorm y Brown, Dukler II, Dunn & Ross, Orkiszewski y Griffith también se puede utilizar ventajosamente. Por lo tanto, es evidente que las representaciones ilustrativas particulares descritas anteriormente pueden ser alteradas o modificadas y todas estas variaciones se consideran dentro del alcance y espíritu de la presente invención. Además, los términos utilizados en las reivindicaciones tienen su significado simple y común salvo que esté definido de forma explícita y clara por el titular de la patente.

Claims (24)

REIVINDICACIONES Lo que se reivindica es :

1. Un método para un simulador de yacimiento, el método comprende : desarrollar de datos de entrenamiento a través de la realización de un cálculo en un conjunto inicial de información de entrada relacionada con condiciones del yacimiento, a los fines de obtener información de salida relacionada con las condiciones del yacimiento; entrenar una red neuronal artificial (ANN) para realizar los cálculos utilizando la información de entrenamiento y utilizar la ANN entrenada para realizar los cálculos de un segundo conjunto de información de entrada relacionada con condiciones del yacimiento, a los fines de obtener la correspondiente información de salida para ser usada por el simulador de yacimientos al realizar simulaciones .

2. El método de la reivindicación 1 donde la ANN comprende un modelo indirecto para estimular tuberías hidráulicas .

3. El método de la reivindicación 2 donde cada conjunto inicial de información de entrada y el segundo conjunto de información de entrada comprende, por lo menos, uno de una velocidad de flujo, composición de fluido, presión de entrada, presión de salida y distribución de la temperatura del fluido.

4. El método de la reivindicación 2 donde la información de salida comprende una caída de presión.

5. El método de reivindicación 1 que adicionalmente comprende, antes del entrenamiento, extender el conjunto inicial de información de entrada mediante extrapolación.

6. El método de reivindicación 1 que adicionalmente comprende, subsiguientemente al uso, el reentrenamiento de la ANN.

7. El método de la reivindicación 6 donde el reentrenamiento se realiza en respuesta a una determinación que la exactitud o precisión de la ANN ha caído por debajo del nivel aceptable.

8. El método de la reivindicación 6 donde el reentrenamiento se realiza periódicamente.

9. El método de reivindicación 1 que adicionalmente comprende utilizar el ANN para proporcionar derivados numéricos mediante la perturbación del segundo conjunto de información de entrada en relación a las condiciones actuales .

10. El método de reivindicación 1 donde, posteriormente, a una primera ejecución del simulador del yacimiento utilizando el ANN, se utiliza nuevamente el conjunto inicial de información de entrada y la correspondiente información de salida en una ejecución subsiguiente del simulador de yacimiento utilizando el ANN.

11. Un dispositivo o medio legible por ordenadores o computadoras que ha almacenado las instrucciones ejecutables por un procesador para realizar un método que comprende : desarrollar datos o información de entrenamiento al realizar los cálculos en un conjunto inicial de información de entrada relacionado con condiciones del yacimiento para obtener la correspondiente información de salida. entrenar una red neuronal artificial (ANN) para realizar los cálculos utilizando data o información entrenada; utilizar el ANN entrenada para realizar los cálculos de un segundo conjunto de información de entrada relacionado con las condiciones de yacimientos para obtener la información o datos de salida correspondiente que va a ser utilizada por el simulador de yacimiento al realizar simulaciones .

12. El dispositivo o medio legible por ordenadores o computadoras de la reivindicación 11, donde la ANN comprende un modelo indirecto para simulación de tuberías hidráulicas, donde cada uno del conjunto inicial de información o datos de entrada y el segundo conjunto información o datos de entrada comprende, por lo menos, uno de una velocidad de flujo, composición de fluido, presión de entrada, presión de salida y distribución de la temperatura del fluido y donde el información o datos de salida comprende una caída de presión.

13. El dispositivo o medio legible por ordenadores o computadoras de la reivindicación 11, donde el método adicionalmente comprende, antes del entrenamiento, extender el conjunto inicial de información o datos de entrada por extrapolación.

14. El dispositivo o medio legible por ordenadores o computadoras de la reivindicación 11, donde el método adicionalmente comprende el reentrenamiento del ANN, en respuesta a una determinación de que la precisión del ANN ha caído por debajo del nivel aceptable.

15. El dispositivo o medio legible por ordenadores o computadoras de la reivindicación 11, donde el método adicionalmente comprende utilizar el ANN para proporcionar derivados numéricos mediante la perturbación del segundo conjunto de información de entrada en relación a las condiciones actuales.

16. El dispositivo o medio legible por ordenadores o computadoras de la reivindicación 11, donde el método adicionalmente comprende posterior a una primera ejecución del simulador de yacimiento que emplea ANN, la reutilización del conjunto inicial de datos de entrada y los datos de salida correspondientes en una ejecución sucesiva o subsiguiente del simulador de yacimientos utilizando el ANN.

17. Un sistema para implementar un simulador de yacimientos, el sistema comprende: medios para desarrollar información de entrenamiento a través de la realización de un cálculo, en un conjunto inicial de información de entrada relacionado con las condiciones del yacimiento para obtener una información de salida; medios para entrenar el ANN y realizar el cálculo utilizando la información de entrenamiento y medios para utilizar el ANN entrenada para realizar los cálculos de un segundo conjunto de información de entrada relacionado con las condiciones del yacimiento, para obtener una información de salida para uso del simulador de yacimiento al realizar simulaciones.

18. El sistema de la reivindicación 17 donde el ANN comprende un modelo indirecto para simulación de tuberías hidráulicas, donde cada conjunto inicial de información de entrada y el segundo conjunto de información de entrada comprenden, por lo menos, una velocidad de flujo, composición de fluido, presión de entrada, presión de salida y distribución de la temperatura del fluido y donde la información de salida comprende una caída de presión.

19. El sistema de la reivindicación 17 la cual, adicionalmente comprende, los medios para extender el conjunto inicial de información de entrada por extrapolación antes del entrenamiento.

20. El sistema de la reivindicación 17 el cual, adicionalmente comprende, los medios para re-entrenar el ANN.

21. Un sistema para implementar un simulador de yacimiento, el sistema comprende: un modulo implementado por computadora para desarrollar información de entrenamiento al realizar un cálculo en un conjunto inicial de información de entrada relacionado con las condiciones del yacimiento para obtener una información de salida correspondiente; un modulo implementado por computadora para entrenar la red neuronal artificial ANN para realizar cálculos utilizando la información de entrenamiento; un modulo implementado por computadora para utilizar el ANN entrenada para realizar el cálculo en un segundo conjunto de información de entrada relacionado con las condiciones del yacimiento, a los fines de obtener una información de salida para uso del simulador de yacimiento al realizar simulaciones.

22. El sistema de la reivindicación 21, donde el ANN comprende un modelo indirecto para simular tuberías hidráulicas donde cada conjunto inicial de información de entrada y el segundo conjunto de información de entrada comprenden, por lo menos, una velocidad de flujo, composición de fluido, presión de entrada, presión de salida y distribución de la temperatura del fluido y donde la información de salida comprende una caída de presión.

23. El sistema de la reivindicación 21, donde el ANN comprende un modulo implementado por computadora para extender el conjunto inicial de información de entrada por extrapolación antes del entrenamiento.

24. El sistema de la reivindicación 21, el cual comprende, adicionalmente, un modulo implementado por computadora para re-entrenar el ANN.