El equipo de logística de YPF recurrió a la tecnología para desarrollar un sistema que le permita certificar la calidad del petróleo que recolecta. Utilizando modelos físicos y datos de sensores, en tres meses se desarrolló un software que cumple con estos requisitos. ​En este artículo, veremos cómo se logra “mirar” lo que ocurre dentro de los ductos de YPF de cientos de kilómetros, que transportan diariamente un promedio de más de 10.000 m3 de petróleo y que a lo largo de su recorrido son abastecidos mediante varios puntos de inyección.

La complejidad del fluido

Los ductos de YPF conectan dos extremos muy alejados entre sí. A lo largo de su trayectoria por varios puntos de inyección recibe petróleo de distintos yacimientos, con distinta periodicidad y diferentes características físicas. En todos los casos, el petróleo debe cumplir una especificación determinada de calidad: el porcentaje de agua debe ser de hasta el 1%.

Para saber con exactitud lo que ocurre diariamente dentro de ese ducto, se colocaron sensores que capturan información sobre diferentes variables físicas. Sin embargo, con esto no alcanza. El petróleo es un fluido: su composición varía, se mezcla y tarda en desplazarse. A veces también presenta propiedades no deseadas como, por ejemplo, mayor porcentaje de agua del estipulado.

Agreguemos a esto que el fluido inyectado en una punta demora una semana aproximadamente en llegar al otro extremo. Además, ese tiempo puede variar dependiendo de los caudales de inyección en las diferentes estaciones de bombeo.

El desafío y su abordaje

Los profesionales necesitaban saber qué iba a llegar por el oleoducto. Para llegar a esta conclusión, no alcanzaba con tomar promedios o considerar el fluido como un flujo lineal con variaciones constantes. Las aproximaciones resultaban demasiado burdas como para ser usadas en la práctica.
Construir un modelo físico completo de toda la longitud de los ductos de YPF con sus respectivos puntos de inyección, teniendo en cuenta todas las variables, parecía una tarea ciclópea. Es allí cuando una combinación de modelos físicos, ciencia de datos y control automático logró el resultado. Para abordar el problema, se procesaron los datos provenientes de tres fuentes principales:

  • Datos de las garrafas. muestras de crudo, de las estaciones de inyección que se obtienen mediante un muestreador automático. Son representativas de todo el batch.
  • Datos de scrapers. Dispositivos que barren los restos de sedimentos y agua acumulada en el ducto.
  • Datos de SCADA. el sistema de control automático que centraliza los sensores de variables físicas del oleoducto (presión, caudal, temperatura y sondas de medición de porcentaje de agua).

No fue esta la única pregunta que se contestó. En otros casos se graficó la información y se establecieron correlaciones entre grupos de variables, para responder preguntas concretas sobre el funcionamiento del ducto. Para esta pregunta (“¿qué va a venir?”) se quería generar una solución a largo plazo.
Lo que se propuso fue crear un modelo predictivo que permitiera visualizar la evolución en el tiempo. De esta forma, el modelo quedaría incorporado al trabajo de los profesionales del área dentro de las herramientas que usan a diario. Esto facilitaría la incorporación del modelo al proceso del negocio.

Los resultados obtenidos

En un proyecto que tuvo una duración menor a tres meses, mediante gráficos y correlaciones se resolvieron las necesidades del área generando los siguientes beneficios:

  • Alertas tempranas sobre desvíos en las mediciones habituales, a partir del comportamiento de los histogramas identificando los cortes abruptos.
  • Identificación de posibles problemas de medición en estaciones de bombeo, a partir de cambios de comportamiento en las variables mensuradas.
  • Métodos de auditoría para evaluar la calidad de los controles y las muestras tomadas.
  • Planificación de cortes cuando una estación esté ingresando flujos fuera de término y calcular la llegada de los batch y su composición.
  • En resumen, con este nuevo sistema, el área de logística podía prever el arribo de los volúmenes fuera de especificación y realizar las alertas correspondientes.

Además, para facilitar el tratamiento de los datos se desarrolló un software que implementa el modelo propuesto. El sistema permite estimar con un margen de error menor del 0,6% el momento en que el scraper llega a destino y las propiedades de cada batch en función de las propiedades de los crudos inyectados en las diferentes estaciones. Este cálculo considera el caudal inyectado y la composición del material de cada inyección, entre otros.

Aprendizajes y conclusiones

En conclusión, cuando el petróleo llega a la refinería, se puede preguntar cuánto de este fluido viene de la primera estación de bombeo, cuánto del segundo y de los demás, y en qué fechas y horas fueron inyectados. Asimismo, si se inyecta petróleo, se puede estimar con un error muy bajo en qué momento va a llegar a la refinería. Todo esto resultó de mucha ayuda para la toma de decisiones operativas.

Este trabajo sobre los ductos de YPF representó una base para realizar más controles en el futuro. Se puede continuar avanzando en la generación de tableros que permitan capitalizar todo lo aprendido y mejorar la previsibilidad y custody del ducto. Un aprendizaje fundamental de este caso es que en un período de tiempo muy breve se pueden construir modelos que se incorporan en forma sencilla al proceso de negocio. Esto agrega valor a la toma de decisiones, sin necesidad de proyectos faraónicos o de modificar completamente la forma de operar.