Proceso de Ablandamiento de Agua

2024-05-24

Introducción

Propósito

Este documento sirve como guía de referencia para el seguimiento y validación del Proceso de Ablandamiento de Agua en las instalaciones de producción de Campo Moriche (Activo CATENARE - Ecopetrol), para alimentar los generadores de vapor utilizados en el recobro mejorado de crudo. Se detallan metodologías y procedimientos para validar el proceso.

Contexto operacional

El proceso de ablandamiento de agua es crucial en la producción de hidrocarburos, especialmente en campos que usan inyección cíclica de vapor para la recuperación mejorada. Las generalidades del proceso son:

Sistema	Descripción
Utilización de agua ablandada	Para la inyección de vapor, reduciendo la viscosidad del crudo y aumentando la producción.
Capacidad del sistema	Plantas de ablandamiento con capacidad total de 1,300 gpm.
Características del agua de alimentación	TDS 184 ppm, dureza total 20 ppm CaCO3, pH 8.28, conductividad 382 μΩ/cm y turbidez <1 NTU.
Proceso de tratamiento	Filtración con arena, antracita y carbón activado.
Proceso de ablandamiento:	Resinas de intercambio catiónico para eliminar calcio y magnesio.
Almacenamiento y distribución	Tanque de 10,000 bbl (TK-ETR-003) con sistema de inertización.
Sistema de control	Monitorización y control de la operación del sistema.
Transferencia de agua	Seis bombas, controladas mediante un lazo de control de flujo y una válvula de control.

Requerimientos de Calidad del Proceso

Criterios para Fire-Tube Boilers

Presión (bar)	Presión (psi)	Dureza Total (CaCO3)	pH	Fe (mg/L)	Ba (mg/L)	Cl (mg/L)	Conductancia (µΩ/cm)
≤ 20 bar	≤ 290 psi	< 5 ppm	10.5	< 0.1	< 1	< 300	< 700
20-60 bar	290-870 psi	< 1 ppm	9-11	< 0.05	< 0.1	< 150	< 200

Criterios para Water-Tube Boilers

Presión (bar)	Presión (psi)	Dureza Total (CaCO3)	pH	Fe (mg/L)	Ba (mg/L)	Cl (mg/L)	Conductancia (µΩ/cm)
≤ 20 bar	≤ 290 psi	< 5 ppm	10.5	< 0.1	< 1	< 300	< 700
20-60 bar	290-870 psi	< 1 ppm	9-11	< 0.05	< 0.1	< 150	< 200
> 60 bar	> 870 psi	~ 0 ppm	8.5-9	< 0.01	< 0.05	< 50	< 50

Operación Basada en Evidencia

Flujo de trabajo

Verificación de Datasets

Calidad de los datos

Aspecto	Criterio	Validación	Estado
Completitud	Ausencia de valores faltantes	Verificar y manejar valores NA mediante imputación o eliminación según la naturaleza de los datos	COMPLETE
Consistencia	Coherencia en los registros	Identificar y corregir inconsistencias (e.g., valores fuera de rango, errores de formato)	COMPLETE
Precisión	Exactitud de los valores registrados	Comparar con datos de referencia o validar mediante inspección técnica del proceso de captura	NOT STARTED

Estabilidad y estacionariedad

Aspecto	Criterio	Validación	Estado
Estacionariedad	Las propiedades estadísticas (media, varianza) son constantes a lo largo del tiempo	Realizar pruebas como ADF (Augmented Dickey-Fuller) o KPSS (Kwiatkowski-Phillips-Schmidt-Shin)	COMPLETE
Estabilidad	La serie no presenta cambios estructurales significativos	Detectar rupturas en la tendencia con pruebas de cambio estructural (e.g., prueba de Chow)	NOT STARTED

Criterios para Verificación de Series de Tiempo

Componentes de la serie

Aspecto	Criterio	Validación	Estado
Tendencia	Comportamiento general de aumento o disminución a lo largo del tiempo	Identificar y modelar la tendencia utilizando métodos de suavizado o regresión	IN PROGRESS
Estacionalidad	Patrones que se repiten en intervalos regulares	Descomposición de la serie (e.g., STL: Seasonal-Trend decomposition using LOESS)	COMPLETE
Ciclos	Fluctuaciones irregulares a largo plazo	Análisis espectral o de Fourier	COMPLETE

Ruido y anomalías

Aspecto	Criterio	Validación	Estado
Ruido Blanco	La componente de ruido no muestra autocorrelación	Verificar mediante la función de autocorrelación (ACF) y pruebas Ljung-Box	COMPLETE
Anomalías	Presencia de valores atípicos	Detectar y manejar outliers con métodos robustos o de imputación	NOT STARTED

Modelado y pronóstico

Aspecto	Criterio	Validación	Estado
Adecuación del Modelo	El modelo seleccionado se ajusta adecuadamente a los datos históricos	Usar criterios de información (AIC, BIC) y diagnóstico de residuos	NOT STARTED
Capacidad Predictiva	El modelo puede predecir con precisión valores futuros	Evaluar el desempeño predictivo mediante técnicas de validación cruzada y análisis de error (e.g., RMSE, MAE)	NOT STARTED

Criterios de Validación

Ajuste a la realidad operacional

Aspecto	Criterio	Validación	Estado
Relevancia	La serie de tiempo refleja correctamente las condiciones operacionales	Validar con expertos del dominio y comparar con registros operacionales	NOT STARTED
Acción	Los resultados del análisis permiten la toma de decisiones prácticas	Implementar un sistema de feedback para ajustar y mejorar continuamente el proceso de captura y análisis	NOT STARTED

Hipótesis y pruebas

Hipótesis	Prueba	Criterio de Confirmación/Rechazo
La serie de tiempo es estacionaria	Prueba de Dickey-Fuller Aumentada (ADF)	p-value < 0.05 para rechazar la hipótesis nula de no estacionariedad.
No hay correlación serial en la serie	Prueba de Breusch-Godfrey	p-value < 0.05 para rechazar la hipótesis nula de no autocorrelación.
La varianza es constante en el tiempo	Prueba de Breusch-Pagan	p-value < 0.05 para rechazar la hipótesis nula de homocedasticidad.
Los datos siguen una distribución normal	Prueba de Shapiro-Wilk	p-value < 0.05 para rechazar la hipótesis nula de normalidad.
Los datos tienen una estacionalidad estable	Prueba de Estacionalidad de Canova-Hansen	p-value < 0.05 para rechazar la hipótesis nula de estabilidad estacional.
No hay efectos ARCH (heterocedasticidad condicional autorregresiva)	Prueba ARCH	p-value < 0.05 indica la presencia de efectos ARCH.
Los outliers no afectan significativamente el modelo	Análisis de outliers	Número de outliers identificados y su impacto en las métricas del modelo.