OPTIMIZACIÓN DE CO2-EOR CON MODELO BAYESIANO Y APRENDIZAJE POR REFUERZOEN TIEMPO REAL, CUENCA ORIENTAL, VENEZUELA

Resumen

Este estudio propone un marco híbrido innovador que combina Optimización Bayesiana (BO) y Aprendizaje por Refuerzo (Reinforcement Learning, RL) para optimizar proyectos de Recuperación Mejorada de Petróleo con CO2 (CO2-EOR) en campos maduros de la Cuenca Oriental de Venezuela. Con el objetivo de maximizar la eficiencia de recuperación de pe­tróleo y el secuestro geológico de CO2 mediante toma de decisiones operativas en tiempo real. A diferencia de los métodos tradicionales basados en simulaciones intensivas, este enfoque reduce el costo computacional mediante BO para el ajuste eficiente de hiperpa­rámetros y utiliza un agente RL (PPO) para controlar dinámicamente tasas de inyección, ci­clos WAG y selección de pozos. Considerando la limitada disponibilidad de datos técnicos recientes públicos para el campo El Furrial, este trabajo desarrolló un modelo representativo utilizando parámetros geológicos típicos de la Cuenca Oriental venezolana. El modelo fue validado mediante simulaciones numéricas en Python y calibrado con estimaciones de pro­ducción de fuentes secundarias para el período 2020-2022. Los resultados obtenidos mues­tran un incremento del 21.89% en la recuperación adicional de petróleo, una eficiencia final del 52.56% y una utilidad neta acumulada de $6,825 millones en 18 meses, con captura de 1.30 Mt de CO2. La Cuenca Oriental presenta condiciones geológicas favorables (alta po­rosidad, buena permeabilidad, caprock efectivo) y cercanía a fuentes industriales de CO2, lo que refuerza su viabilidad técnica y económica. Esta propuesta representa un avance estratégico hacia la digitalización inteligente y descarbonización del sector upstream vene­zolano, ofreciendo un enfoque metodológico robusto incluso ante limitaciones en la dispo­nibilidad de datos técnicos recientes.