Resumen

Este estudio evalúa la confiabilidad de los datos de la serie de tiempo Cl_ts, correspondientes a las mediciones diarias de los niveles de cloruro en el proceso de suavizado de agua del Campo Moriche. Se aplicaron diversas técnicas estadísticas y de análisis de series de tiempo, complementadas con una revisión del contexto operativo. Los hallazgos revelaron patrones irregulares, posibles componentes periódicos y un ancho de banda reducido en el análisis espectral, sugiriendo la presencia de ruido y tendencias subyacentes. La distribución de los valores de cloruro mostró un sesgo positivo y un techo aparente cercano a los 100 mg/l. Las descomposiciones de tendencia estacional exhibieron una tendencia ascendente y descendente, con un pico a mediados de 2023, junto con componentes irregulares. Adicionalmente, se observó una oposición en los patrones de residuos entre períodos en uno de los métodos de descomposición.

Las pruebas de estacionariedad y normalidad arrojaron resultados mixtos, indicando que la serie de tiempo puede ser estacionaria, pero no sigue una distribución normal. Además, se detectó la presencia de correlación serial. Estos hallazgos cuestionan la validez y confiabilidad de los datos reportados, especialmente por encima del techo aparente, lo que puede conllevar riesgos operativos, incumplimiento normativo y pérdida de credibilidad. Se recomiendan investigaciones adicionales, auditorías, implementación de sistemas automatizados, protocolos rigurosos y el fomento de una cultura de transparencia operacional para validar y mejorar la integridad y confiabilidad de los datos.

Palabras clave: confiabilidad de datos, suavizado de agua, series de tiempo, análisis de residuos, descomposición de series de tiempo.

1. Antecedentes

En el Campo Moriche, la recuperación mejorada de petróleo (EOR, por sus siglas en inglés) mediante la inyección de vapor desempeña un papel crucial en las operaciones de producción. Este método implica la inyección de vapor a alta temperatura y presión (1200 - 1500 psi) directamente en la formación productora, lo que reduce la viscosidad del crudo y mejora su movilidad, permitiendo una extracción más eficiente.

El proceso de suavizado de agua es un componente esencial en las operaciones de inyección de vapor. Su objetivo principal es eliminar los iones disueltos, como el cloruro, del agua de alimentación utilizada para generar el vapor. Esto es fundamental para prevenir la formación de incrustaciones y la corrosión en los equipos críticos, como los generadores de vapor y las líneas de inyección.

El agua sin tratamiento contiene diversos minerales y sales disueltas, incluyendo cloruros, sulfatos, carbonatos y sílice. Cuando se calienta a altas temperaturas durante la generación de vapor, estos compuestos pueden precipitar y formar depósitos sólidos en las superficies de transferencia de calor y tuberías, reduciendo la eficiencia y la vida útil de los equipos. Además, los cloruros y otros iones pueden promover la corrosión en presencia de oxígeno y altas temperaturas.

Por lo tanto, el suavizado de agua es un paso crítico para remover estos iones disueltos antes de la generación de vapor. Típicamente, se emplean procesos de intercambio iónico y desmineralización para reducir los niveles de cloruro y otros contaminantes a niveles aceptables, definidos por las normas y regulaciones aplicables.

La confiabilidad de los datos de calidad del agua, especialmente los niveles de cloruro, es esencial para monitorear la eficacia del proceso de suavizado, optimizar los parámetros operativos y garantizar el cumplimiento de los requisitos normativos. Datos inexactos o no confiables pueden conducir a problemas graves, como la formación de incrustaciones, la corrosión acelerada de equipos y la reducción de la eficiencia en la recuperación de petróleo.

2. Introducción

La confiabilidad de los datos es un aspecto crucial en el monitoreo y control de procesos industriales, como el suavizado de agua utilizado en la generación de vapor para el recobro mejorado de petróleo. Este informe presenta un análisis detallado de la confiabilidad de la serie de tiempo (CL_ts) que contiene 3 mediciones diarias del nivel de cloruro en el proceso de suavizado de agua del Campo Moriche para el periodo 2022 - 2024. El objetivo principal es determinar si los datos reflejan mediciones reales o si existen indicios de posibles problemas o manipulaciones, ya que la confiabilidad de estos datos es fundamental para garantizar un monitoreo preciso, cumplir con los requisitos normativos y respaldar la toma de decisiones operativas y de optimización.

Para evaluar la confiabilidad, se emplearon diversas pruebas estadísticas y técnicas de análisis de series de tiempo, complementadas con una revisión del contexto operacional y el conocimiento previo sobre este tipo de procesos. Se examinaron aspectos clave como la tendencia, la estacionariedad, la autocorrelación, la normalidad y los patrones espectrales de la serie de tiempo. Además, se consideraron las implicaciones potenciales de la falta de confiabilidad de los datos en áreas críticas, como la protección del equipo, la eficiencia operativa y la confianza de las partes interesadas.

El informe presenta los hallazgos detallados de los análisis realizados, discute las posibles causas y consecuencias de la falta de confiabilidad de los datos, y proporciona recomendaciones para validar y mejorar la integridad de los datos del proceso de suavizado de agua.

3. Análisis

3.1 Inspección Visual

  1. Serie de tiempo: Muestra tendencias y patrones estacionales marcados. La Figura 1 muestra la evolución de los niveles de cloruro a lo largo del del periodo 2022 - 2024.

  2. Distribución: Bimodal, con dos picos principales que podría indicar la presencia de dos regímenes o estados distintos en el proceso de suavizado de agua.

  3. Valores atípicos: Se observan algunos valores atípicos por encima de 200 ppm, con un valor máximo de 289 ppm de cloruro.

  4. Rango de valores: Los valores de cloruro se extienden desde un mínimo de 1 ppm hasta un máximo de 289 ppm.

  5. Valores centrales: La mediana se ubica en 37 ppm, mientras que el promedio (mean) es ligeramente más alto, en 48.73 ppm. Esto sugiere una distribución levemente sesgada hacia valores más altos.

  6. Cuartiles: El 25% de los valores se encuentran por debajo de 15 ppm, y el 75% de los valores están por debajo de 76 ppm.

##  Time-Series [1:2213] from 2022 to 2024: 71 35 62 58 14 17 29 79 5 15 ...

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00   15.00   37.00   48.73   76.00  289.00

3.2 Descomposición

STL, MSTL y Moving Averages aplicadas para separar componentes donde se puede apreciar una tendencia ascendente en 2022 y descendente en 2023; patrones periódicos diarios; residuos con comportamiento inusual de oposición entre períodos.

3.3 Pruebas de Estacionariedad

Dickey-Fuller Aumentada: Serie estacionaria después de primera diferencia (p-value = 0.01)

## 
##  Augmented Dickey-Fuller Test
## 
## data:  Cl_ts
## Dickey-Fuller = -8.0229, Lag order = 13, p-value = 0.01
## alternative hypothesis: stationary

KPSS: Serie estacionaria (p-value = 0.01)

## 
##  KPSS Test for Level Stationarity
## 
## data:  Cl_ts
## KPSS Level = 2.0245, Truncation lag parameter = 8, p-value = 0.01

3.4 Análisis de Autocorrelación

Las imágenes de la Función de Autocorrelación (ACF) y la Función de Autocorrelación Parcial (PACF) sugieren la presencia de correlación serial en la serie de tiempo Cl_ts.

En la Figura 7 que muestra la ACF, se observa que los valores de autocorrelación decaen lentamente hacia cero a medida que aumenta el rezago (lag), indicando una correlación significativa entre las observaciones separadas por varios períodos de tiempo. Este patrón característico de decaimiento lento es típico de series de tiempo que exhiben correlación serial.

Además, en la Figura 8 que presenta la PACF, se observan barras de autocorrelación parcial significativamente diferentes de cero para varios rezagos. Esto también es una señal de la presencia de correlación serial en la serie de tiempo.

La correlación serial implica que los valores de la serie de tiempo en un momento determinado están relacionados con los valores en períodos anteriores. Esto viola el supuesto de independencia de los residuos en muchos modelos estadísticos y puede sesgar los resultados de los análisis y pruebas si no se trata adecuadamente.

acf <- acf(Cl_ts, plot= FALSE )
plot(acf, main= "Figura 7: ACF")

3.5 Pruebas de Normalidad

Shapiro-Wilk y Jarque-Bera rechazan hipótesis de normalidad (común en series reales)

## 
##  Shapiro-Wilk normality test
## 
## data:  Cl_ts
## W = 0.86417, p-value < 2.2e-16
## 
##  Jarque Bera Test
## 
## data:  Cl_ts
## X-squared = 1937.5, df = 2, p-value < 2.2e-16

3.6 Análisis Espectral

Se observa un patrón de picos irregulares en todo el rango de frecuencias, lo que sugiere la presencia de ruido y posibles componentes periódicos.

El ancho de banda relativamente pequeño (0.14) indica que la serie de tiempo puede tener componentes de baja frecuencia o tendencias subyacentes.

spec <- spec.pgram(Cl_ts, plot = FALSE, spans = c()) 
plot(spec, main = "Figura 9: Análisis Espectral")

4. Resultados

4.1 Descripción de los Resultados

Observaciones generales del análisis:

  1. Disminución abrupta en los valores de la serie temporal cerca de 100 ppm de cloruro.

  2. Patrones estacionales marcados y picos recurrentes en los niveles de cloruro.

  3. Presencia de correlación serial significativa en la serie de tiempo, como se evidencia en las funciones de autocorrelación (ACF) y autocorrelación parcial (PACF).

  1. Tendencia ascendente en 2022 seguida de un descenso en 2023.

  2. Consistencia en los componentes estacionales y residuales entre períodos.

  3. Ciclo semanal relacionado con los patrones de operación y mantenimiento.

4.2 Interpretación de los Resultados

Implicaciones de los hallazgos:

  1. Posible límite artificial en los datos.

  2. Relación de la tendencia ascendente con el aumento gradual en los niveles de cloruro o el desgaste progresivo de la resina.

  3. Indicación del cambio a una tendencia descendente respecto a la regeneración o reemplazo de la resina.

  4. Relación de los picos estacionales con los ciclos operacionales diarios.

  5. Interpretación del comportamiento inusual en los residuos como un posible evento operativo significativo o cambio en las condiciones del proceso.

Posibles razones para el patrón inusual en los residuos:

  1. Evento operacional real.

  2. Error en la medición.

  3. Manipulación intencional de datos.

Acciones recomendadas para validar los resultados:

  1. Revisión de registros y auditorías del proceso de medición.

  2. Entrevistas al personal clave.

  3. Acceso a datos originales.

  4. Búsqueda de fuentes de datos adicionales.

  5. Aplicación de pruebas estadísticas específicas.

  6. Exploración de modelos y simulaciones.

5. Implicaciones y Conclusiones

5.1 Implicaciones Operacionales

En el contexto del proceso de suavizado de agua del Campo Moriche, la falta de confianza en los datos de parámetros críticos como el nivel de cloruro puede tener implicaciones significativas:

  • Riesgo de formación de incrustaciones y corrosión en equipos críticos: La falta de confianza en los datos de calidad del agua podría conducir a un control inadecuado de la dureza y otros parámetros clave, lo que aumentaría el riesgo de formación de incrustaciones y corrosión en los equipos críticos como los generadores de vapor (National Board, 2015).

  • Dificultad para optimizar la operación de la inyección de vapor: La precisión de los datos de calidad del agua es crucial para ajustar y optimizar los parámetros de inyección de vapor, como la temperatura y la presión. Datos inexactos podrían resultar en condiciones subóptimas que afecten negativamente la eficiencia de la recuperación de petróleo.

  • Incumplimiento de requisitos regulatorios y normas ambientales: La falta de fiabilidad en los datos podría dar lugar a incumplimientos de las regulaciones y normas ambientales relacionadas con la calidad del agua utilizada en las operaciones de inyección de vapor, lo que podría acarrear sanciones o penalizaciones regulatorias.

  • Pérdida de confianza de las partes interesadas: La credibilidad del proceso de suavizado de agua y de las operaciones de inyección de vapor podría verse comprometida si existe incertidumbre sobre la integridad de los datos. Esto podría afectar negativamente la reputación y la confianza de las partes interesadas, como clientes, inversionistas y comunidades locales.

  • Dificultad para implementar mejoras continuas: Los esfuerzos de mejora continua y optimización de los procesos dependen de un análisis preciso de los datos y la identificación de oportunidades de mejora. La falta de fiabilidad en los datos podría obstaculizar estos esfuerzos y desviar a la organización por un camino incorrecto.

5.2 Conclusiones

La evidencia sugiere que los datos de la serie de tiempo Cl_ts representan mediciones con baja confiabilidad del nivel de cloruro en la planta de suavizado de agua. Tanto el probable límite artificial como el patrón inusual observado en los residuos de las descomposiciones son preocupantes y merecen una investigación exhaustiva. Es fundamental llevar a cabo la estrategia de validación propuesta, que incluye revisar registros, auditar procesos, entrevistar al personal, analizar datos fuente, comparar con otras fuentes de datos, aplicar pruebas estadísticas adicionales y explorar modelos y simulaciones. Solo después de una investigación rigurosa y exhaustiva se podrá determinar si ese comportamiento inusual en los residuos es real y comprender sus causas, lo cual permitirá llegar a una conclusión definitiva sobre la confiabilidad de los datos.

6. Recomendaciones

Abordar la confiabilidad de los datos es crucial para la integridad del proceso de suavizado de agua y el cumplimiento normativo en el Campo Moriche. Se sugieren las siguientes acciones:

  1. Implementar la estrategia de validación propuesta para investigar el comportamiento inusual de los residuos en las descomposiciones.

  2. Involucrar al personal clave, incluidos operarios, supervisores y expertos, en la investigación y validación.

  3. Considerar una auditoría externa independiente si los resultados de la investigación interna no son concluyentes.

  4. Realizar una revisión exhaustiva de los procedimientos y controles de calidad existentes para identificar áreas de mejora.

  5. Evaluar la implementación de sistemas de monitoreo en línea para garantizar la trazabilidad y confiabilidad de los datos.

  6. Fomentar una cultura de integridad de datos y transparencia en toda la organización.

  7. Establecer protocolos más estrictos para el registro y manejo de datos, incluyendo controles de calidad y capacitación del personal.

  8. Implementar sistemas automatizados de recolección y registro de datos para minimizar errores humanos.

  9. Realizar revisiones periódicas y auditorías de los datos utilizando pruebas estadísticas para detectar anomalías.

  10. Considerar la implementación de sistemas de gestión de calidad de datos para garantizar la calidad a largo plazo.

  11. Mantener una documentación detallada de todos los procesos relacionados con la recolección, procesamiento y análisis de datos.

  12. Establecer canales de comunicación para que el personal pueda reportar inquietudes sobre la calidad de los datos.

7. Referencias

  1. Japan International Cooperation Agency, Electric Power Development Co., Ltd., Shikoku Electric Power Co., Inc., & West Japan Engineering Consultants, Inc. (2013). Guideline for Technical Regulation Volume 2: Design of Thermal Power Facilities Book 9/12 “Water Treatment Facility” Final Draft.

  2. National Board. (2015). NB-410, Boiler Feedwater Guidelines (Revision 3, Septiembre de 2015).

8. Glosario

  1. STL (Seasonal Decomposition of Time Series by Loess): Descomposición de series de tiempo en componentes estacionales y de tendencia utilizando Loess

  2. MSTL (Multiple Seasonal decomposition): Descomposición de series de tiempo en componentes estacionales, tendencia y de residuo, utilizando múltiples períodos estacionales.

  3. ACF (Autocorrelation Function): Función de autocorrelación

  4. PACF (Partial Autocorrelation Function): Función de autocorrelación parcial

  5. EOR (Enhanced Oil Recovery): Técnicas empleadas para aumentar la recuperación de petróleo de un yacimiento más allá de los métodos convencionales. La inyección de vapor es un método de EOR utilizado para reducir la viscosidad del crudo y mejorar su movilidad.

  6. AVT (All Volatile Treatment): Tratamiento de volatilidad total, un método utilizado en el proceso de suavizado de agua para calderas que utiliza compuestos químicos volátiles para ajustar el pH y la alcalinidad.

  7. OT (Oxygen Treatment): Tratamiento con oxígeno, un método utilizado en el proceso de suavizado de agua para calderas que involucra la adición controlada de oxígeno para minimizar la concentración de metales disueltos.

  8. pH: Potencial de hidrógeno, una medida de la acidez o alcalinidad del agua. Mantener un pH adecuado es crucial para la eficiencia del proceso de suavizado y la prevención de problemas de corrosión e incrustación.

  9. Conductividad: Medida de la capacidad del agua para conducir corriente eléctrica, relacionada con la concentración de iones disueltos. Se controla para cumplir con los límites establecidos y evitar problemas de incrustación y corrosión.

  10. Sílice (SiO2): Compuesto presente en el agua que puede causar incrustaciones en equipos y turbinas. Se establece un límite máximo permitido en el agua de alimentación y en el vapor generado.

  11. Alcalinidad Total: Medida de la capacidad del agua para neutralizar ácidos, generalmente determinada por la concentración de carbonatos, bicarbonatos e hidróxidos. Se controla para evitar problemas de incrustación y corrosión.

  12. SDT (Sólidos Disueltos Totales): Concentración total de todas las especies ionizadas y no ionizadas presentes en el agua. Se establece un límite máximo para evitar problemas de incrustación y corrosión.

  13. TOC (Carbono Orgánico Total): Medida de la cantidad de carbono orgánico presente en el agua, tanto volátil como no volátil. Se controla para evitar problemas de corrosión y depósitos en los equipos.

  14. Materia Oleosa: Presencia de aceites y grasas en el agua, que pueden causar problemas de corrosión, depósitos y contaminación en los equipos.

  15. MAV (Materiales Alcalinos Volátiles): Compuestos alcalinos volátiles utilizados en el tratamiento de agua de calderas para ajustar el pH y la alcalinidad antes de una fuente de agua temporal.

9. Anexos

Tabla A1: Límites para compuestos en el agua para calderas de tubo de agua (ASME)
Parámetro

Presión de la Caldera

(psig)

 0-300 301-450 451-600 601-750 751-900 901-1000 1001-1500 1501-2000
Agua de Caldera
pH (a 25°C) 8.3-10.0 8.3-10.0 8.3-10.0 8.3-10.0 8.3-10.0 8.3-9.6 8.3-9.6 8.3-9.6
Sílice (como SiO2) ppm ≤ 150 ≤ 90 ≤ 40 ≤ 30 ≤ 20 ≤ 8 ≤ 2 ≤ 1
Alcalinidad Total ppm < 350 < 300 < 250 < 200 < 150 < 100 NS NS
Conductividad (a 25°C) μΩ/cm 5400-1100 4600-900 3800-800 1500-300 1200-200 1000-200 ≤ 150 ≤ 80
SDT (máximo) ppm 1.0-0.2 1.0-0.2 1.0-0.2 0.5-0.1 0.5-0.1 0.5-0.1 0.1 0.1
Oxígeno Disuelto (como O2) ppm < 0.007 < 0.007 < 0.007 < 0.007 < 0.007 < 0.007 < 0.007 < 0.007
Hierro Total (como Fe) ppm ≤ 0.1 ≤ 0.05 ≤ 0.03 ≤ 0.025 ≤ 0.02 ≤ 0.02 ≤ 0.01 ≤ 0.01
Cobre Total (como Cu) ppm ≤ 0.05 ≤ 0.025 ≤ 0.02 ≤ 0.02 ≤ 0.015 ≤ 0.01 ≤ 0.001 ≤ 0.001
Dureza (como CaCO3) ppm ≤ 0.03 ≤ 0.03 ≤ 0.02 ≤ 0.02 ≤ 0.1 ≤ 0.05 ND ND
Químicos para sistema previo a caldera - - - - - MAV MAV MAV
TOC No Volátil (como O2) ppm < 1 < 1 < 0.5 < 0.5 < 0.5 < 0.2 < 0.2 < 0.2
Materia Oleosa ppm < 1 < 1 < 0.5 < 0.5 < 0.5 < 0.2 < 0.2 < 0.2

Notas:

  1. Porcentaje de agua de reposición: Hasta 100% del agua de alimentación.

  2. Asume la existencia de un desaireador.

  3. Condiciones: Incluye sobrecalentador, dispositivos de turbina o restricciones de proceso en la pureza del vapor.

  4. Objetivo de pureza de vapor saturado como se muestra.

  5. NS = No especificado.

  6. ND = No detectable.

  7. MAV = Usar solo materiales alcalinos volátiles antes de una fuente de agua temporal.

  8. SDT = Sólidos Disueltos Totales

  9. TOC = Carbono Orgánico Total

  10. MAV = Materiales Alcalinos Volátiles